Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightSonuç olarak, XGBoost modelinin PM10 ve SO2 verilerinin modelleme performansı konusunda, GBM modelinin ise verilerin gelecek tahmini konusunda daha etkin olduğu görülmüştür.
📌 3 Maddede Bu Makale
Özet
Son yıllarda Türkiye’deki hava kirliliğinin nüfus yoğunluğu ve sanayileşmedeki artış nedeniyle büyükşehirlerde halk sağlığı ve çevre yönetimi üzerinde ciddi bir sorun haline geldiği görülmektedir. Hava kirliliğine neden olan maddeleri kaynaklarına ve atmosferdeki oluşum süreçlerine göre partikül madde (PM10) ve kükürt dioksit (SO2) gibi doğrudan bir kaynaktan yayılan maddeler birincil kirleticiler olarak tanımlanmaktadır. Bu araştırmada, Türkiye’nin 7 farklı coğrafi bölgelerindeki nüfus yoğunluğu en yüksek olan 7 büyükşehir (Ankara, Antalya, Erzurum, İstanbul, İzmir, Samsun ve Şanlıurfa) ait Ocak 2016-Şubat 2026 tarihleri aralığındaki günlük PM10 ve SO2 verilerine odaklanılmıştır. Bu verilerin modelleme ve gelecek 1 yıllık tahmini GBM, HistGBM, LightGBM, Random Forest ve XGBoost makine öğrenmesi modelleri ile yapılmıştır. Sonuç olarak, XGBoost modelinin PM10 ve SO2 verilerinin modelleme performansı konusunda, GBM modelinin ise verilerin gelecek tahmini konusunda daha etkin olduğu görülmüştür. Buna ek olarak, makine öğrenmesi modellerinin verileri modelleme ve gelecek tahmini konusundaki yüksek açıklama yüzdesiyle hava kalitesi araştırmalarında önerilen makine öğrenmesi modellemelerinin gelecek araştırmalar için kullanılması önerilmektedir.
Abstract
In recent years, air pollution in Turkey has become a serious problem for public health and environmental management in metropolitan areas, owing to high population density and industrialization. Substances that cause air pollution are defined as primary pollutants, such as Particulate Matter (PM10) and Sulfur Dioxide (SO2), which are emitted directly from sources and form in the atmosphere. This study focuses on daily PM10 and SO2 data from January 2016 to February 2026 for the seven largest cities with the highest population density in Turkey's geographical regions (Ankara, Antalya, Erzurum, Istanbul, Izmir, Samsun, and Sanliurfa). These data were modeled and predicted for the next year using GBM, HistGBM, LightGBM, Random Forest, and XGBoost machine learning models. As a result, the XGBoost model was more effective at modeling PM10 and SO2 data, whereas the GBM model was more effective at forecasting future data. In addition, given the high explanatory power of machine learning models for data analysis and prediction, it is recommended that the models proposed in air quality studies be used in future research.