Makine Öğrenme Algoritmaları ile PM10 Konsantrasyon Tahmini

Authors:
Publisher website
Google Scholar
Abstract
Partikül madde (PM) kirliliği önemli çevresel sorunlara sebep olmaktadır. PM kirliliğinin olumsuz etkileri, canlı sağlığına yönelik riskleri nedeniyle yaygın bir sorun haline gelmiştir. PM kirliliğinin tüm bu olumsuz etkileri ve atmosferdeki karmaşık etkileşimi sebebiyle, daha fazla çalışmaya konu olması önemlidir. Özellikle, PM kirliliğinin izlenmesi ve tahmin edilmesi konusunda yapılacak çalışmalar önemlidir. Son yıllarda meteorolojik faktörler göz önüne alınarak PM kirliliğinin tahmin edilmesi çalışmaları artmıştır. Özellikle makine öğrenme yöntemleri ile PM kirliliği tahmini çalışmaları hız kazanmıştır. Bu çalışmada, meteorolojik faktörler göz önüne alınarak çeşitli makine öğrenme algoritmaları ile PM10 kirliliği tahmin edilmiştir. Çalışmada kullanılan meteoroloji verileri Meteoroloji Genel Müdürlüğü Ankara Bölge istasyonundan (enlem:39,9727, boylam:32,8637, rakım:891 m.) elde edilmiştir. PM10 kirlilik verileri ise Çevre, Şehircilik ve İklim Değişikliği Bakanlığı Ankara Keçiören-Sanatoryum hava kalitesi istasyonundan (enlem: 39,999, boylam: 32,856, rakım: 1009 m.) elde edilmiştir. Makine öğrenme çalışması aşamasında, sıcaklık, çiğ noktası sıcaklığı, yağış, bağıl nem, rüzgar hızı, basınç, bulut kapalılığı ve bir önceki güne ait PM10 ölçümleri göz önüne alınarak, farklı makine öğrenme (karar ağacı regresyonu, destek vektör regresyonu, lasso regresyonu ve yapay sinir ağı) algoritmalarıyla ayrı ayrı çalışma yapılmış ve bu algoritmaların tutarlılıkları karşılaştırılmıştır. Tutarlılıklarının incelenmesi aşamasında çeşitli istatistiksel metrikler kullanılmıştır. Sonuçta, test bölümü göz önüne alındığında, yapay sinir ağı algoritmasının belirleme katsayısı ̴0,6, kök ortalama kare hatası ̴18 ve ortalama mutlak hata ̴12 olarak bulunmuş ve yapay sinir ağı algoritmasının diğer algoritmalara göre daha iyi sonuç verdiği görülmüştür.

This publication has 23 references indexed in Scilit: