Ozone Level Prediction with Machine Learning Algorithms

Abstract

The ozone level in the atmosphere affects the quality of life of all living things as well as it can be a hazard to human health and the environment. Ozone is a gas that absorbs most of the ultraviolet radiation reaching the Earth from the Sun. However, when the ozone level exceeds a certain threshold, risks would be exacerbated. Using machine learning algorithms can help to reduce risks, making inferences from earlier obtained data even for situations, which have not encountered before. In this study, a two-phased hybrid machine learning algorithm is proposed. It helps to predict the ozone level prospectively and reduce the risks. In the first stage, clustering is made with the method of genetic algorithms and the clustering result is transmitted as an introduction to the XGBoost classifier method. To check that the proposed model is applicable, support vector machine, random forest, multi-layered neural networks and XGBoost methods, which are among the frequently used machine learning methods, have been applied and the results were compared. After the 10-fold validation applied, the proposed model reached the most successful accuracy rate with 94%.

Özet

Atmosferde bulunan ozon seviyesi tüm canlıların yaşam kalitesini etkilemek ile birlikte ölüme varan sonuçlara sebebiyet vermektedir. Ozon güneş ışınlarından gelen radyason değerinden konurulmasını sağlayan bir gazdır. Bu nedenle ozon seviyesi belirli bir eşiği aştığında risk durumu çoğalmaktadır. Makine öğrenmesi algoritmaları, uygulanacak problem hakkında yeterli verinin elde edilmesi halinde bu verilerden daha önce karşılaşmadığı durumlara karşın çıkarım yapma yeteneğine sahiptir. Bu çalışmada hibrit bir makine öğrenmesi algoritması önerilerek ozon seviyesinin tahmini ile risk oluşmadan buna engel olunması hedeflenmiştir. Önerilen hibrit model iki aşamalı olarak sonuç almaktadır. İlk aşamasında genetik algoritmalar yöntemi ile kümeleme yapılarak küme sonucu XGBoost sınıflandırıcı yöntemine giriş olarak iletilmektedir. Önerilen modelin uygulanabilir olduğunun gösterilmesi için sık kullanılan makine öğrenmesi yöntemlerinden destek vektör makineleri, random forest, çok katmanlı yapay sinir ağları ve XGBoost yöntemleri aynı probleme uygulanmıştır. 10-fold validation uygulanmasının ardından en başarılı doğruluk oranına %94 ile önerilen model ulaşmıştır.