PM10 parametresinin makine öğrenmesi algoritmaları ile mekânsal analizi, Kayseri ili örneği
Küçük Resim Yok
Tarih
2021
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Niğde Ömer Halisdemir Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Hava kirliliğinin son yıllarda artışı ile birlikte alınacak olan erken önlemler dâhilinde hava kirliliği tahmininin yapılması insan ve çevre sağlığına verilebilecek zararın en aza indirilmesinde önemlidir. Bu çalışmada günlük ortalama hava kirliliği miktarının, önemli bir hava kirletici olan PM10 konsantrasyonu üzerinden tahminlenmesi ve hava kirliliğinin çevresel ve mekânsal modellenmesi amaçlanmıştır. Tahminleme modeli, Orta Anadolu Bölgesinde yer alan Kayseri ilinde bulunan 3 istasyondan alınan 2010-2018 yılları arasında ölçülen PM10 (partikül madde) konsantrasyonu verileri kullanılarak makine öğrenmesi algoritmaları (kNN SVR, RF, ANN, Lineer Regresyon) ile eğitilmiştir. Kayseri'deki 3 istasyonun 2010-2018 yılları arasındaki PM10 konsantrasyon değerleri girdi olarak verilmiş ve 2019 yılına ait PM10 konsantrasyon değerleri tahmin edilmiştir. En iyi sonuçlar 3 istasyon için de SVR algoritması ile elde edilmiş olup Trafik bölgesi için R2:0.85, RMSE:17.57, MAE:10.17; Hürriyet bölgesi için R2:0.73, RMSE:34.91, MAE:24.61 ve OSB bölgesi için R2:0.82, RMSE:41.71, MAE:21.62 olduğu tespit edilmiştir. Tahmini konsantrasyon sonuçlarının mekânsal dağılımı (CBS) ile sağlanarak, hava kirliliğinin iyileştirilmesine yönelik stratejiler oluşturulmuştur.
With the increase of air pollution in recent years, it is important to make an estimation of air pollution within the scope of early measures to be taken in minimizing the damage to human and environmental health. In this study, it is aimed to estimate the daily average amount of air pollution from the PM10 concentration, which is an important air pollutant, and to model the environmental and spatial air pollution. The prediction model was trained with machine learning algorithms (kNN SVR, RF, ANN, Linear Regression) using PM10 (particulate matter) concentration data measured between 2010-2018 from 3 stations in Kayseri, Central Anatolia. PM10 concentration values of 3 stations in Kayseri between 2010-2018 were given as input and PM10 concentration values for 2019 were estimated. The best results were obtained with SVR algorithm for all three stations. For the traffic zone, R2: 0.85, RMSE: 17.57, MAE: 10.17; For Hürriyet region, R2: 0.73, RMSE: 34.91, MAE: 24.61 and for OSB region R2: 0.82, RMSE: 41.71, MAE: 21.62. The spatial distribution of the estimated concentration results obtained was provided by the Geographical Information System (GIS), and spatial strategies were created to improve air pollution on land use.
With the increase of air pollution in recent years, it is important to make an estimation of air pollution within the scope of early measures to be taken in minimizing the damage to human and environmental health. In this study, it is aimed to estimate the daily average amount of air pollution from the PM10 concentration, which is an important air pollutant, and to model the environmental and spatial air pollution. The prediction model was trained with machine learning algorithms (kNN SVR, RF, ANN, Linear Regression) using PM10 (particulate matter) concentration data measured between 2010-2018 from 3 stations in Kayseri, Central Anatolia. PM10 concentration values of 3 stations in Kayseri between 2010-2018 were given as input and PM10 concentration values for 2019 were estimated. The best results were obtained with SVR algorithm for all three stations. For the traffic zone, R2: 0.85, RMSE: 17.57, MAE: 10.17; For Hürriyet region, R2: 0.73, RMSE: 34.91, MAE: 24.61 and for OSB region R2: 0.82, RMSE: 41.71, MAE: 21.62. The spatial distribution of the estimated concentration results obtained was provided by the Geographical Information System (GIS), and spatial strategies were created to improve air pollution on land use.
Açıklama
Fen Bilimleri Enstitüsü, Çevre Mühendisliği Ana Bilim Dalı
Anahtar Kelimeler
Çevre Mühendisliği, Environmental Engineering
