Makine Öğrenmesi Algoritmalarının Modelleme ve Tahmin Performanslarının Karşılaştırılması: Türkiye’deki Orman Yangın Sayısı Örneği

Özet

Dünya'nın astronomik hareketleri ve jeolojik aktivitelerin sonucunda oluşan küresel ısınma ve iklim değişikliği, günümüzde orman yangınları başta olmak üzere çeşitli doğal afetlerin artmasına neden olmaktadır. Türkiye’deki gelecek nesilleri orman yangınları konusunda bilinçlendirmek amacıyla orman yangınlarının geçmiş veriler ışığında analiz edilmesi ve tahminlerde bulunularak tedbirlerin alınmasının sağlanması bu araştırmanın temel odak noktası olmuştur. Bu amaç doğrultusunda günümüzdeki popülerliği gittikçe artan makine öğrenmesi yöntemlerinden CatBoost, LightGBM, LSTM, Random Forest ve XGBoost algoritmaları, orman yangın sayısını modellemek ve tahminini gerçekleştirmek için tercih edilmiştir. Bu araştırmada, ilk defa olarak Türkiye’deki günlük Kasım 2000-Ocak 2026 tarihleri arasındaki orman yangın sayısı verileri kullanılmıştır. Sonuç olarak, LightGBM modeli orman yangını sayısını modelleme daha etkin, Random Forest modeli ise gelecek tahmini konusunda daha etkin performansa sahiptir. Global warming and climate change, driven primarily by anthropogenic greenhouse gas emissions and various other factors, are today causing an increase in natural disasters, particularly forest fires. The primary focus of this research is to raise awareness among future generations in Türkiye about forest fires by analyzing them in light of historical data, making predictions, and ensuring that necessary precautions are taken. In this context, CatBoost, LightGBM, LSTM, Random Forest, and XGBoost algorithms, among the machine learning methods that have found widespread application today, were preferred to model and predict the count of forest fires. In this research, daily forest fire count data from Türkiye covering the period November 2000 – January 2026 were used for the first time. As a result, the LightGBM model demonstrated greater effectiveness in modeling the count of forest fires, while the Random Forest model exhibited higher performance in future prediction.