Journals / Geomatik / 2023 / Cilt: 8 - Sayı: 2

PM10, SO2 hava kirleticilerinin çoklu doğrusal regresyon ve yapay sinir ağları ile sezonsal tahmini

Journal
Geomatik
Pages
163–179
Publication Date
2023-08-15
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)

Ayrıca, mekânsal verilerin hava kirliliği tahmin modellerinde coğrafi bilgi sistemleri ile kullanılabilirliği gösterilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Nüfus artışıyla birlikte kentleşme, sanayileşme ve taşıt sayısındaki artışlar hava kirliliğinin artmasına sebep olmaktadır.
📊
Key Findings & Data:Bu nedenle bu çalışmada hava kirliliğinin önlenmesi, tedbirlerin alınması ve planlamaların yapılabilmesi için 1 yıl önceden hava kirliliğinin tahmin edilmesi amaçlanmıştır.
💡
Conclusion & Impact:Ayrıca, mekânsal verilerin hava kirliliği tahmin modellerinde coğrafi bilgi sistemleri ile kullanılabilirliği gösterilmiştir.
🔬Design:Modeling & Simulation
📍Scope:2008 Verileri
⚙️Variables:Coğrafi Bilgi Sistemleri · Çoklu Doğrusal Regresyon · Hava Kirliliği

Özet

Nüfus artışıyla birlikte kentleşme, sanayileşme ve taşıt sayısındaki artışlar hava kirliliğinin artmasına sebep olmaktadır. Hava kirliliği insan ve çevre sağlığına zarar vermektedir. Bu nedenle bu çalışmada hava kirliliğinin önlenmesi, tedbirlerin alınması ve planlamaların yapılabilmesi için 1 yıl önceden hava kirliliğinin tahmin edilmesi amaçlanmıştır. Hava kirliliği parametrelerinden olan PM10 ve SO2 parametrelerinin mevsimsel ortalamalarının tahmin edilmesi için çoklu doğrusal regresyon analizi ve yapay sinir ağı yöntemleri kullanılmıştır. Kocaeli, Türkiye’nin sayılı sanayi bölgelerinden olması dolayısı ile çalışma alanı olarak seçilmiştir. Tahmin modellerinde meteorolojik veriler, kirletici konsantrasyonları, kentleşme, sanayileşme, topografik ve demografik veriler kullanılmıştır. Çalışmada enterpolasyon yöntemleri ile verilerin sürekliliğinin sağlanmasında, veri setlerinin oluşturulmasında ve haritaların yapılmasında coğrafi bilgi sistemleri kullanılmıştır. Çalışmada 2008 ile 2017 yılları arasındaki veriler ile tahmin modelleri oluşturulmuştur. Oluşturulan modellere 2018 verileri sunularak 2019 yılına ait tahmin değerleri elde edilmiştir. Elde edilen tahmin değerleri 2019 yılına ait gerçek değerler ile karşılaştırılmıştır. Model performansları ortalama mutlak yüzde hata (OMYH) değerine göre değerlendirilmiştir. Çalışma sonucunda yapay sinir ağının çoklu regresyon analizine göre performansının daha yüksek olduğu tespit edilmiştir. Ayrıca, mekânsal verilerin hava kirliliği tahmin modellerinde coğrafi bilgi sistemleri ile kullanılabilirliği gösterilmiştir.

🔖

Cite This Article

KOTAN, B., ERENER, A. (2023). PM10, SO2 hava kirleticilerinin çoklu doğrusal regresyon ve yapay sinir ağları ile sezonsal tahmini. Geomatik, Cilt: 8 - Sayı: 2, 163–179. https://ajindex.com/articles/886116

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (11)

  1. Adachi, K. (2020). Matrix-Based Introduction to Multivariate Data Analysis, Singapore, Springer. Akyürek, Ö., Arslan, O., & Karademir, A. (2013). SO2 ve PM10 hava kirliliği parametrelerinin CBS ile konumsal analizi: Kocaeli örneği, TMMOB Coğrafi Bilgi Sistemleri Kongresi, 11-13 Kasım 2013,
  2. Ankara,
  3. Türkiye. Alvarez, H., Echeverria, R., Alvarez, P., & Krupa, S. (2013). Air quality standards for particulate matter (PM) at high altitude cities, Environmental Pollution, 173, 255-256.
  4. Aydınoğlu, A. Ç., Bovkır, R., & Bulut, M. (2022). Akıllı şehirlerde büyük coğrafi veri yönetimi ve analizi: hava kalitesi örneği. Geomatik, 7(3), 174-186.
  5. Bai, L., Jiang, L., Yang, D., & Liu, Y. (2019). Quantifying the spatial heterogeneity influences of natural and socioeconomic factors and their interactions on air pollution using the geographical detector method: A case study of the Yangtze River Economic Belt, China”. Journal of Cleaner Production, 232, 692-704.
  6. Bannister, E., Cai, X., Zhong, J., & MacKenzie, A. (2021). Neighbourhood-scale flow regimes and pollution transport in cities, Boundary-Layer Meteorology, 179(2), 259-289.
  7. Campos, D. S., de Souza Tadano, Y., Alves, T. A., Siqueira, H. V., & de Nóbrega Marinho, M. H. (2020). Unorganized machines and linear multivariate regression model applied to atmospheric pollutant forecasting. Acta Scientiarum. Technology, 42, e48203-e48203. Caselli, M., Trizio, L., de Gennaro, G., & Ielpo, P. (2009). A Simple Feedforward Neural Network for the PM10 Forecasting: Comparison with a Radial Basis Function Network and a Multivariate Linear Regression Model, Water Air and Soil Pollution, 201(1-4), 365-377.
  8. Çetin, M., Onac, A., Sevik, H., & Sen, B. (2019). Temporal and regional change of some air pollution parameters in Bursa, Air Quality, Atmosphere & Health, 12(3), 311-316.
  9. Chen, Y., Shi, R., Shu, S., & Gao, W. (2013). Ensemble and enhanced PM10 concentration forecast model based on stepwise regression and wavelet analysis, Atmospheric Environment, 74, 346-359.
  10. Çuhadar, M., & Kayacan, C. (2005). Yapay sinir ağları kullanılarak konaklama işletmelerinde doluluk oranı tahmini: Türkiye'deki konaklama işletmeleri üzerine bir deneme, Anatolia: Turizm Araştırmaları Dergisi, 16(1), 24-30.
  11. Dahari, N., & Wahid, H. (2017). Determination of modeling parameters for a low cost air pollution measurement system using feed forward neural networks., Editors: Mohamed Ali MS, Wahid H, Mohd Subha NA, Sahlan S, Yunus MA, Wahap, AR. Modeling, Design and Simulat