- Avrupa Bilim ve Teknoloji Dergisi
- Issue: 29 Special Issue
- Derin Öğrenme Yöntemi ile İç Anadolu Bölgesi ve Çevresi Hava Kirliliği Tahmini
Derin Öğrenme Yöntemi ile İç Anadolu Bölgesi ve Çevresi Hava Kirliliği Tahmini
Authors : Sümeyye Aydin, Murat Taşyürek, Celal Öztürk
Pages : 168-173
Doi:10.31590/ejosat.1019618
View : 26 | Download : 9
Publication Date : 2021-12-01
Article Type : Research
Abstract :Sanayideki gelişmeler, nüfus artışı, çarpık kentleşme gibi sebepler hava kirliliğini artırmaktadır. Hava kirliliği tüm ekolojiyi ve insan sağlığını olumsuz yönde etkilediği için küresel anlamda önemlidir. Hava kirliliğinden kaynaklı oluşabilecek tehlikeli durumları önleyebilmek için önceden tedbirler alınmalıdır. Hava kirliliğini etkileyen unsurların önceden tahmin edilmesi ile oluşabilecek tehlikeli durumları önlemek mümkün olabilir. Partikül madde (PM) değeri hava kirliliğinin derecesini belirtmek için yaygın olarak kullanılan bir parametredir. Aerodinamik çapı 10 µm’den küçük olan partiküller madde olarak tanımı yapılan PM10 parametresi, ülkemiz için belirlenen sınır değerleri aşmaktadır ve dolayısıyla PM10 konsantrasyonunun artışında önlem alınması ciddi önem taşımaktadır. Bu çalışmada hava kalitesinin belirlenmesinde büyük rolü olan PM10 parametresinin değerlerinin tahmini üzerine araştırmalar yapılmıştır. Bu çalışmada, Meteoroloji Genel Müdürlüğü’ne ait İç Anadolu Bölgesi ve çevresindeki istasyonlara ait gerçek ölçüm verileri kullanılmıştır. Hava kalitesi indeksinin hesaplanmasında kullanılan kirletici madde parametrelerinin değerleri kullanılarak PM10 parametresinin değeri tahmin edilmiştir. Son yıllarda tahmin işlemlerinde derin öğrenme yöntemleri sıklıkla kullanılmaktadır. Derin öğrenme yöntemlerinden uzun süreli kısa bellek ağı (LSTM) modeli zamansal olarak bir önceki durumdan etkilenen veri kümelerinde yaygın olarak kullanılmaktadır. Anlık hava kalitesi bir önceki durumlardan etkilendiğinden dolayı bu çalışmada LSTM derin öğrenme modeli bir ilin PM10 değerlerinin tahmin edilmesi için önerilmiştir. Önerilen LSTM tabanlı modelin performansı klasik derin öğrenme yöntemi (DL) ile karşılaştırılmıştır. Yöntemlerin başarım performansını irdelemek için değerlendirme kriteri ortalama hata kare kökü (RMSE) ve ortalama mutlak hata (MAE) değerleri kullanılmıştır. Deneysel değerlendirmeler, önerilen LSTM yönteminin DL yöntemine göre PM10 değerlerinin tahmininde daha başarılı tahminler elde ettiğini göstermektedir. Ayrıca LSTM yönteminin veri kaybı olduğu durumlarda DL yöntemine kıyasla veri sayısından daha az etkilendiği görülmüştür.Keywords : Lstm, Derin Öğrenme, Hava Kirliliği Tahmini, PM10