Meta-Bulanık Fonksiyonların Dinamik Budama ile Geliştirilmesi: Türkiye İçin Ulusal Hava Sıcaklığı Tahmin Çerçevesi
International journal of advances in engineering and pure sciences (Online), cilt.38, sa.3, ss.565-581, 2026 (TRDizin)
- Yayın Türü: Makale / Tam Makale
- Cilt numarası: 38 Sayı: 3
- Basım Tarihi: 2026
- Doi Numarası: 10.7240/jeps.1970358
- Dergi Adı: International journal of advances in engineering and pure sciences (Online)
- Derginin Tarandığı İndeksler: TR DİZİN (ULAKBİM)
- Sayfa Sayıları: ss.565-581
- Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
- Karadeniz Teknik Üniversitesi Adresli: Evet
Özet
Heterojen iklim bölgelerinde doğru hava sıcaklığı tahmini yapmak, önemli bir operasyonel zorluk olmayı sürdürmektedir. Mevcut çalışmalar ağırlıklı olarak tekil model mimarilerine veya standart topluluk ortalamalarına odaklanırken ve sıklıkla sınırlı coğrafi alanlarda değerlendirilirken, bu yaklaşımlar iki kritik kısıtla karşılaşmaktadır: birincisi, mevcut tüm tahminleyicileri ayrım gözetmeksizin dahil ederek düşük performanslı veya gürültü üreten modellerin nihai tahminleri bozmasına izin vermeleri; ikincisi ise farklı mikro iklimlere uyum sağlayacak yapısal esneklikten yoksun olmalarıdır. Sonuç olarak, bölgesel iklim modellerine dinamik olarak uyum sağlarken güvenilmez tahminleyicileri sistematik olarak filtreleyen uyarlanabilir bir tahmin mimarisine acil bir ihtiyaç duyulmaktadır. Bu eksikliği gidermek amacıyla bu çalışma, Türkiye’nin 81 ilinin tamamında ülke çapında hava sıcaklıklarını tahmin etmek için özgün bir Budanmış Meta-Bulanık Fonksiyonlar (PMFF) çerçevesi önermektedir. PMFF mimarisi; istatistiksel temel modelleri, makine öğrenmesi algoritmalarını ve derin yapay sinir ağlarını kapsayan 10 temel tahmin modelinden oluşan heterojen bir havuzu bir araya getirir. Çerçeve ilk olarak, her şehrin mikro iklimine göre uyarlanmış, ıraksak ve gürültü üreten tahminleyicileri elemek için doğrulama tabanlı bir Dinamik Budama mekanizması çalıştırır. Ardından, sürekli üyelik tabanlı birleştirme ağırlıklarını uyarlanabilir şekilde belirlemek amacıyla, elenmeyip kalan tahminlerin meta-matrisine Bulanık C-Ortalamalar (FCM) kümeleme stratejisi uygulanır. On yılı aşkın kapsamlı bir haftalık veri seti (2010–2026) üzerinde değerlendirilen önerilen PMFF çerçevesi; parametrik olmayan Friedman ve post-hoc Wilcoxon işaretli sıra testlerinin (p<0.0001) de doğruladığı üzere, tekil temel tahminleyicilerden ve geleneksel birleştirme şemalarından tutarlı bir şekilde daha yüksek performans göstermektedir. Sonuçlar; gürültüye dayanıklı budama ile esnek bulanık meta-öğrenmenin birleştirilmesinin, operasyonel meteorolojik tahminleme için yüksek düzeyde ölçeklenebilir ve sağlam bir çözüm sunduğunu ortaya koymaktadır.
Accurate air temperature forecasting across heterogeneous climatic regions remains a significant operational challenge. While existing studies predominantly focus on either single-model architectures or standard ensemble averaging, often evaluated on limited geographical scopes, these approaches face two critical limitations: first, they indiscriminately include all available predictors, allowing poorly performing or noise-inducing models to contaminate the final forecasts; and second, they lack the structural flexibility to adapt across diverse microclimates. Consequently, there is a pressing need for an adaptive forecasting architecture that systematically filters out unreliable predictors while dynamically adjusting to regional climatic patterns. To bridge this gap, this study proposes a novel Pruned Meta-Fuzzy Functions (PMFF) framework to forecast nationwide air temperatures across all 81 cities of Türkiye. The PMFF architecture integrates a heterogeneous pool of 10 base forecasting models encompassing statistical baselines, machine learning algorithms, and deep neural networks. The framework first executes a validation-driven Dynamic Pruning mechanism to eliminate divergent and noise-inducing predictors tailored to each city’s microclimate. Subsequently, a Fuzzy C-Means (FCM) clustering strategy is applied to the meta-matrix of surviving predictions to adaptively determine continuous membership-based aggregation weights. Evaluated on an extensive multi- decadal weekly dataset (2010–2026), the proposed PMFF framework consistently outperforms individual base predictors and conventional fusion schemes, as corroborated by non-parametric Friedman and post-hoc Wilcoxon signed-rank tests (p<0.0001). The results demonstrate that coupling noise-resilient pruning with soft fuzzy meta-learning provides a highly scalable and robust solution for operational meteorological forecasting.