MODELLING THE PM2.5 CONCENTRATION WITH ARTIFICIAL INTELLIGENCE-BASED ENSEMBLE APPROACH

Authors : Ibrahim Khalil Umar, Mukhtar Nuhu Yahya

Pages : 153-165

Doi:10.23902/trkjnat.1062091

View : 13 | Download : 5

Publication Date : 2022-10-15

Article Type : Research

Abstract :İnce partikül madde (PM2.5) bir dizi olumsuz sağlık etkisi ile ilişkilendirilmiştir, bu nedenle epidemiyolojik çalışmalar için öngörüsü çok önemli hale gelmiştir. Bu çalışmada, giriş parametresi olarak trafik gürültüsü kullanılarak trafik gürültüsü yüksek şehirlerde PM2.5 konsantrasyonunun tahmini için yeni bir topluluk tekniği önerilmiştir. Çalışmanın yürütülmesi için Kuzey Kıbrıs'taki yedi örnekleme noktasından eş zamanlı olarak toplanan hava kirletici konsantrasyonu (P), meteorolojik parametreler (M) ve trafik verileri (T) kullanılmıştır. Modelleme 2 senaryoda yapılmıştır. Senaryo I'de PM2.5, trafik gürültüsü olmadan 4 farklı giriş kombinasyonu kullanılarak giriş parametresi olarak modellenirken, senaryo II'de trafik gürültüsü 4 giriş kombinasyonu için giriş değişkeni olarak eklenmiştir. Modeller, Nash-Sutcliffe Verimliliği (NSE), Ortalama Kare Hatası (RMSE), Korelasyon Katsayısı (CC) ve Bias (BIAS) olmak üzere 4 performans kriteri kullanılarak değerlendirildi. PM2.5'in ilgili P, M ve T girdi parametreleriyle modellenmesi, yalnızca bir parametre seti ile geliştirilen modelin performansını yalnızca P, M ve T içeren modeller için sırasıyla %12, 17 ve %29'a kadar iyileştirebilir. Senaryo II'deki tüm modeller, doğrulama aşamasında senaryo I'deki karşılık gelen modelden %12'ye kadar yüksek tahmin doğruluğu göstermiştir. Support Vector Regresyon tabanlı Ensemble modeli (SVR-E), doğrulama aşamasında tekli modellerin performans doğruluğunu %17'ye kadar artırabilir.
Keywords : Traffic noise, Sensitivity analysis, Ensemble modelling, Air quality