SavedAdd your journal

Journals / Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi / 2022 / Cilt: 24 - Sayı: 70

Spatial Analysis of PM10 Parameter by Machine Learning Algorithms, City of Kayseri

PM10 Parametresinin Makine Öğrenmesi Algoritmalari ile Mekânsal Analizi, Kayseri İli Örneği

Öznur Begüm Gökçek
Aslı Bozdağ
Yeşim Dokuz
Nuray Şaşa
Pages
65–80
Publication Date
2022-10-15
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Also, the spatial distribution and variation of the estimated concentration results were analyzed by the Geographical Information System (GIS).

📌 3 Key Takeaways

🎯
Objective & Hypothesis: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.
📊
Key Findings & Data: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.
💡
Conclusion & Impact:Also, the spatial distribution and variation of the estimated concentration results were analyzed by the Geographical Information System (GIS).
🔬Design:Modeling & Simulation
📍Scope:2010-2018 Verileri
⚙️Variables:Makine öğrenmesi algoritmaları · PM10 · destek vektör algoritması

Abstract

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 DVR, 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 Support Vector Regression algorithm for all three stations. For the Traffic region, R2: 0.85, RMSE: 17.57, MAE: 10.17; For Hurriyet region, R2: 0.73, RMSE: 34.91, MAE: 24.61 and for OSB region R2: 0.82, RMSE: 41.71, MAE: 21.62. Also, the spatial distribution and variation of the estimated concentration results were analyzed by the Geographical Information System (GIS).

Özet

Hava kirliliğinin son yıllarda artışı ile 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 konsantrasyonu verileri kullanılarak makine öğrenmesi algoritmaları (kNN DVR, 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 Destek Vektör Regresyonu 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 olarak tespit edilmiştir. Ayrıca elde edilen tahmini konsantrasyon sonuçlarının mekânsal dağılımı (CBS) ve değişimi de analiz edilmiştir.

🔖

Cite This Article

Gökçek, Ö. B., Bozdağ, A., Dokuz, Y., Şaşa, N. (2022). Spatial Analysis of PM10 Parameter by Machine Learning Algorithms, City of Kayseri. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, Cilt: 24 - Sayı: 70, 65–80. https://ajindex.com/articles/491224

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (10)

  1. A. Alkan, Hava Kirliliğinin Ciddi Boyutlara Ulaştığı Kentlere Bir Örnek: An Example of Cıtıes Where Aır Pollutıon Has Reached Serıous Dımensıons: Siirt, (2018) 641–666.
  2. Y. DOKUZ, A. BOZDAĞ, B. GÖKÇEK, HavKali̇tesiParametreleri̇ni̇Tahmi̇ni̇ Ve Mekansal Dağilimİçi̇nMaki̇neÖğrenmesiYöntemleri̇ni̇n Kullanilmasi, Ömer Halisdemir Üniversitesi Mühendislik Bilim. Derg. 9 (2020) 37–47. https://doi.org/10.28948/ngumuh.654092.
  3. G.Ç. SÜMER, Hava Kirliği Kontrolü: Türkiye’de Hava Kirliliğini Önlemeye Yönelik Yasal Düzenlemele-rin ve Örgütlenmelerin İncelenmesi, Uluslararası İktisadi ve İdari İncelemeler Derg. 13 (2014) 37. https://doi.org/10.18092/ijeas.51643.
  4. A. Rahimpour, J. Amanollahi, C.G. Tzanis, Air quality data series estimation based on machine learning approaches for urban environments, Air Qual. Atmos. Heal. 14 (2021) 191–201. https://doi.org/10.1007/s11869-020-00925-4.
  5. C. Amuthadevi, D.S. Vijayan, V. Ramachandran, Development of air quality monitoring (AQM) models using different machine learning approaches, J. Ambient Intell. Humaniz. Comput. (2021). https://doi.org/10.1007/s12652-020-02724-2.
  6. H. Tian, Y. Zhao, M. Luo, Q. He, Y. Han, Z. Zeng, Estimating PM2.5 from multisource data: A comparison of different machine learning models in the Pearl River Delta of China, Urban Clim. 35 (2021) 100740. https://doi.org/10.1016/j.uclim.2020.100740. Y. Son, Á.R. Osornio-vargas, M.S.O. Neill, P. Hystad, J.L. Texcalac-sangrador, P. Ohman-strickland, Q. Meng, S. Schwander, Land use regression models to assess air pollution exposure in Mexico City using fi ner spatial and temporal input parameters, Sci. Total Environ. 639 (2018) 40–48. https://doi.org/10.1016/j.scitotenv.2018.05.144.
  7. Y. Xu, H. Liu, Z. Duan, A novel hybrid model for multi-step daily AQI forecasting driven by air pollution big data, Air Qual. Atmos. Heal. 13 (2020) 197–207. https://doi.org/10.1007/s11869-020-00795-w.
  8. S. Van Roode, J.J. Ruiz-Aguilar, J. González-Enrique, I.J. Turias, An artificial neural network ensemble approach to generate air pollution maps, Environ. Monit. Assess. 191 (2019). https://doi.org/10.1007/s10661-019-7901-6.
  9. J.Y. Yang, W.F. Ip, C.M. Vong, P.K. Wong, Effect of choice of kernel in support vector machines on ambient air pollution forecasting, Proc. 2011 Int. Conf. Syst. Sci. Eng. ICSSE 2011. (2011) 552–557. https://doi.org/10.1109/ICSSE.2011.5961964.
  10. W. Lu, W. Wang, A.Y.T. Leung, S.M. Lo, R.K.K. Yuen, Z. Xu, H. Fan, Air pollutant parameter forecasting using support vector machin