SavedAdd your journal

Journals / Turkish Journal of Forest Science / 2026 / Cilt: 10 Sayı: 1

Rainfall prediction using machine learning methods: The case of the Central and Eastern Black Sea Region

Makine öğrenmesi yöntemleri ile yağış tahmini: Orta ve Doğu Karadeniz Bölgesi örneği

İbrahim Edibali Atalay(ARTVİN ÇORUH ÜNİVERSİTESİ)0000-0002-3842-9086
Serdar Neslihanoğlu(ESKİŞEHİR OSMANGAZİ ÜNİVERSİTESİ)0000-0001-8451-8023
Pages
—
Publication Date
2026-08-09
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

In addition, it was found that machine learning models generally demonstrate effective performance in precipitation amount forecasting.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:The changes in regional precipitation amounts as a result of global warming are being felt in a pronounced manner.
📊
Key Findings & Data:Investigating and modeling the temporal and spatial changes in the regional precipitation regime in this area holds strategic importance in terms of regional water management and the sustainability of forest resources.
💡
Conclusion & Impact:In addition, it was found that machine learning models generally demonstrate effective performance in precipitation amount forecasting.
🔬Design:Modeling & Simulation
📍Scope:2015 Verileri
⚙️Variables:Makine öğrenmesi · Orta ve Doğu Karadeniz bölgesi · Yağış tahmini

Abstract

The changes in regional precipitation amounts as a result of global warming are being felt in a pronounced manner. The places in our country where this effect is most distinctly felt are the Central and Eastern Black Sea region. Investigating and modeling the temporal and spatial changes in the regional precipitation regime in this area holds strategic importance in terms of regional water management and the sustainability of forest resources. With this objective in mind, the modeling and forecasting of daily precipitation amounts in the provinces of the Central and Eastern Black Sea Region (Artvin, Bayburt, Giresun, Gümüşhane, Rize, Samsun, Tokat, and Trabzon) between the years 2015 and 2024 have been investigated. In this process, the precipitation modeling and forecasting performances of the machine learning models CatBoost, XGBoost, LightGBM, and POA-VMD-LSTM were compared using the model evaluation criteria MAE and RMSE. As a result, LightGBM emerged as the most effective model for modeling precipitation amounts during the specified period, while the effective performance of the CatBoost model in future forecasting was also observed. In addition, it was found that machine learning models generally demonstrate effective performance in precipitation amount forecasting.

Özet

Küresel ısınmanın bir sonucu olarak bölgesel yağış miktarlarındaki değişimler belirgin biçimde hissedilmektedir. Ülkemizde bu etkinin en belirgin hissedildiği yerler Orta ve Doğu Karadeniz bölgesidir. Bu bölgedeki bölgesel yağış rejimindeki zamansal ve mekânsal değişimlerin araştırılması ve modellenmesi bölgesel su yönetimi ve orman kaynaklarının sürdürülebilirliği açısından stratejik bir öneme sahiptir. Bu amaç doğrultusunda, Orta ve Doğu Karadeniz Bölgesi’ndeki illerin (Artvin, Bayburt, Giresun, Gümüşhane, Rize, Samsun, Tokat ve Trabzon) 2015-2024 yılları arasındaki günlük yağış miktarının modellenmesi ve tahmini araştırılmıştır. Bu süreçte makine öğrenmesi modellerinden CatBoost, XGBoost, LightGBM ve POA-VMD-LSTM’in yağış miktarı modelleme ve tahmin performansları model kıyaslama kriterlerinden MAE ve RMSE ile karşılaştırılmıştır. Sonuç olarak, söz konusu periyotta yağış miktarını en etkin modelleyen LightGBM modeli olurken, CatBoost modelinin gelecek tahmini konusundaki etkin performansı gözlemlenmiştir. Buna ek olarak, makine öğrenmesi modellerinin genel olarak yağış miktarı tahmini konusunda etkin performansa sahip olduğu görülmüştür.

🔖

Cite This Article

Atalay, İ. E., Neslihanoğlu, S. (2026). Rainfall prediction using machine learning methods: The case of the Central and Eastern Black Sea Region. Turkish Journal of Forest Science, Cilt: 10 Sayı: 1. https://doi.org/10.32328/turkjforsci.1940022

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (35)

  1. Batan, M., & Toprak, Z. F. (2015). Küresel iklim değişikliğinin olumlu etkileri ve bu etkilerin iklim değişikliğine uyum kapsamında değerlendirilmesi. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 6(2), 93–102.
  2. Bolat, İ., & Şensoy, H. (2024). 2012–2021 yılları arasındaki bazı meteorolojik verilerin analizi ve değişim eğiliminin irdelenmesi: Sinop ve Kastamonu illeri örneği. Anadolu Orman Araştırmaları Dergisi, 9(2), 1–9.
  3. Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785–794).
  4. Çökekoğlu, S. (2023). Uzaktan algılama sistemleri ile yangına hassas bölgelerin tahmin edilmesi (Yüksek lisans tezi). Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü.
  5. Dorogush, A. V., Ershov, V., & Gulin, A. (2018). CatBoost: Gradient boosting with categorical features support. arXiv, 1–7. Retrieved from http://arxiv.org/abs/1810.11363
  6. Dragomiretskiy, K., & Zosso, D. (2014). Variational mode decomposition. IEEE Transactions on Signal Processing, 62(3), 531–544.
  7. Durmuş, B., Bulut, İ., & Gönençgil, B. (2021). Antalya bölümünde sıcaklık ve yağış indislerinin değişim analizleri. Türk Coğrafya Dergisi, 78, 91–108.
  8. El Hafyani, M., El Himdi, K., & El Adlouni, S.-E. (2024). Improving monthly precipitation prediction accuracy using machine learning models: A multi-view stacking learning technique. Frontiers in Water, 6, 1378598.
  9. Elmotawakkil, A., Moumane, A., Sadiki, A., Zahi, A., Al Karkouri, J., Batchi, M., Bhagat, S. K., & Enneya, N. (2025). Forecasting short-term rainfall patterns in arid and semi-arid regions using machine learning and deep learning models: A case study from Morocco. Theoretical and Applied Climatology, 156, 436.
  10. Eşidir, K. A. (2025). Makine öğrenimi modelleri ile yetişkin eğitimi analizi: Modellerin karşılaştırmalı performansı. Elektronik Sosyal Bilimler Dergisi, 24(2), 946–964. doi:10.17755/esosder.1589887
  11. European Environment Agency. (2024). European climate risk assessment: Executive summary. Retrieved from https://www.eea.europa.eu/publications/european-climate-risk-assessment
  12. Islam, M. S., Shafiuzzaman, M., Mahmud, G., Nowshin, N., Reza, P., Hasan, J., Ahamed, M. F., Nahiduzzaman, M., Ayari, M. A., & Khandakar, A. (2025). Explainable deep learning for rainfall prediction: A CNN-XGBoost hybrid approach in the northern region of Bangladesh. Neural Computing and Applications, 37(33), 28125–28160. doi:10.1007/s00521-025-11646-z
  13. Kaya, B., & Aladağ, C. (2009). Konya şartlarında yağış, sıcaklık ve bitki örtüsü ilişkisi. Selçuk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 22, 265–278.
  14. Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). LightGBM: A highly efficient gradient boosting decision tree. Advances in Neural Information Processing Systems, 30, 3146–3154.
  15. Kumar, V., Kedam, N., Sharma, K. V., Khedher, K. M., & Alluqmani, A. E. (2023). Comparison of machine learning models for rainfall forecasting in urban metropolitan cities. Sustainability, 15(18), 13724. doi:10.3390/su151813724
  16. NASA Langley Research Center. (2024). POWER: Prediction of Worldwide Energy Resources. Retrieved from https://power.larc.nasa.gov
  17. Neslihanoğlu, S., Ünal, E., & Yozgatlıgil, C. (2021). Performance comparison of filtering methods on modelling and forecasting the total precipitation amount: A case study for Muğla in Turkey. Journal of Water and Climate Change, 12(4), 1071–1085.
  18. Neyestani, A., Asgari, F., & Asgari, V. (2025). Application of machine and deep learning models to forecast daily precipitation over the western part of Iran. Meteorological Applications, 32, e70143.
  19. Özçelik, M. S. (2025). İklim değişikliğinin buhar basıncı açığı ve yağışın günlük zamanlaması üzerindeki etkisi: Isparta örneği (2005–2024). Turkish Journal of Forestry, 26(3), 262–268.
  20. Palta, Ş., Yurtseven, İ., & Aksay, H. (2019). Göksu Nehri Havzası'nın yağış-akış ilişkileri. Bartın Orman Fakültesi Dergisi, 21(3), 860–872.
  21. Papacharalampous, G. A., Tyralis, H., Doulamis, N., & Doulamis, A. (2024). Uncertainty estimation of machine learning spatial precipitation predictions from satellite data. Machine Learning: Science and Technology, 5(3), 035044. doi:10.1088/2632-2153/ad63f3
  22. Reis, S., Bayrak, T., Yalçın, A., Atasoy, M., Nişancı, R., & Ekercin, S. (2008). Rize bölgesinde yağış-heyelan ilişkisi. Jeodezi ve Jeoinformasyon Dergisi, 99, 5–9.
  23. Salaeh, N., Ditthakit, P., Pinthong, S., Hasan, M. A., Islam, S., Mohammadi, B., & Linh, N. T. T. (2022). Long-short term memory technique for monthly rainfall prediction in Thale Sap Songkhla River Basin, Thailand. Symmetry, 14(8), 1599.
  24. Temuçin Kılıçer, S. (2025). Uydu verilerine dayalı zaman serileri ile makine öğrenmesi ve derin öğrenme algoritmaları kullanılarak Samsun ilinde yağış tahmini (Doktora tezi). Ondokuz Mayıs Üniversitesi Lisansüstü Eğitim Enstitüsü, Samsun.
  25. Thomas, V. (2023). Risk and resilience in the era of climate change. Singapore: Palgrave Macmillan.
  26. Trojovský, P., & Dehghani, M. (2022). Pelican optimization algorithm: A novel nature-inspired algorithm for engineering applications. Sensors, 22(3), 855.
  27. Tunç, B. N., & Atasever, Ü. H. (2025). CatBoost algoritmasının taşınmaz değerlemede kullanımı: Bayesian hiperparametre optimizasyonu ile karşılaştırmalı analiz. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 14(2), 668–679. doi:10.28948/ngumuh.1597288
  28. Tyralis, H., Papacharalampous, G. A., Doulamis, N., & Doulamis, A. (2023). Merging satellite and gauge-measured precipitation using LightGBM with an emphasis on extreme quantiles. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 16, 6969–6979. doi:10.1109/JSTARS.2023.3297013
  29. Uslu, İ., Çelik, Z., Yüceerim, G., Dirama, A., Ozdarici Ok, A., & Yürekli, K. (2025). İklim değişikliğinin izinde: Uzun dönem sıcaklık ve yağış verilerinin analizi: Menemen Ovası örneği. ANADOLU Journal of Aegean Agricultural Research Institute, 35(2), 156–171.
  30. Wang, X., Wang, Y., Yuan, P., Wang, L., & Cheng, D. (2021). An adaptive daily runoff forecast model using VMD-LSTM-PSO hybrid approach. Hydrological Sciences Journal, 66(9), 1488–1502. doi:10.1080/02626667.2021.1937631
  31. World Meteorological Organization. (2023). State of the global climate 2022. Geneva, Switzerland: Author. Retrieved from https://wmo.int/publication-series/state-of-global-climate-2022
  32. Yeşilyurt, S. E., & Dalkılıç, H. Y. (2021). XGBoost ve gradient boost machine ile günlük nehir akımı tahmini. In 3rd International Symposium of Engineering Applications on Civil Engineering and Earth Sciences.
  33. Zhang, T., Song, S., Li, S., Ma, L., Pan, S., & Han, L. (2019). Research on gas concentration prediction models based on LSTM multidimensional time series. Energies, 12(1), 161. doi:10.3390/en12010161
  34. Zhou, H., Schertzer, D., & Tchiguirinskaia, I. (2025). Combining recurrent neural networks with variational mode decomposition and multifractals to predict rainfall time series. Hydrology and Earth System Sciences, 29, 4437–4455.
  35. Zhou, X., Ma, X., & Wang, H. (2025). Urban air quality management: PM2.5 hourly forecasting with POA–VMD and LSTM. Processes, 13(8), 2482.