KaydedilenlerDerginizi ekleyin

Dergiler / Avrupa Bilim ve Teknoloji Dergisi / 2026 / Sayı: 51

Makine Öğrenmesi Algoritmaları Kullanılarak Hava Kalitesi İndeksinin Tahmini

Estimation of Air Quality Index Using Machine Learning Algorithms

Mustafa Akgün(ARDAHAN ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ, ÇEVRE MÜHENDİSLİĞİ BÖLÜMÜ)0000-0002-7172-1855
Necla Barlik(ARDAHAN ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ, ÇEVRE MÜHENDİSLİĞİ BÖLÜMÜ, ÇEVRE MÜHENDİSLİĞİ PR.)0000-0003-0000-1903
Sayfa
97–107
Yayın Tarihi
2023-08-31
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Makine öğrenmesi yöntemlerinden Naive Bayes algoritmasının HKİ’ni %68.91, Karar Ağacı algoritmasının HKİ’ni %70.29, Derin öğrenme algoritmasının HKİ’ni %73.05, k-NN algoritmasının HKİ’ni %73.35 ve Rastgele Orman algoritmasının HKİ’ni %74.89 doğrulukla tahmin ettiği sonucuna ulaşılmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada; 15/09/2019 – 15/05/2020 ve 15/09/2020 – 15/05/2021 tarihleri arasındaki Ardahan, Kars, Erzurum ve Iğdır illeri şehir merkezlerindeki hava kalitesi indeksi (HKİ) ve meteorolojik parametreler (ortalama sıcaklık, yağış, bulutluluk, nispi nem, basınç, rüzgâr hızı) arasında çoklu doğrusal regresyon analizi ve makine öğrenmesi yöntemleri kullanılarak HKİ’nin tahmin edilmesi amaçlanmıştır.
📊
Temel Bulgular & Veri:Çoklu doğrusal regresyon analizi ile yapılan HKİ’ni tahminleme oranı %41.8 bulunmuştur.
💡
Sonuç & Katkı:Makine öğrenmesi yöntemlerinden Naive Bayes algoritmasının HKİ’ni %68.91, Karar Ağacı algoritmasının HKİ’ni %70.29, Derin öğrenme algoritmasının HKİ’ni %73.05, k-NN algoritmasının HKİ’ni %73.35 ve Rastgele Orman algoritmasının HKİ’ni %74.89 doğrulukla tahmin ettiği sonucuna ulaşılmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2019 Verileri
⚙️Değişkenler:Hava kalitesi indeksi · Makine öğrenmesi · Meteorolojik parametreler.

Özet

Bu çalışmada; 15/09/2019 – 15/05/2020 ve 15/09/2020 – 15/05/2021 tarihleri arasındaki Ardahan, Kars, Erzurum ve Iğdır illeri şehir merkezlerindeki hava kalitesi indeksi (HKİ) ve meteorolojik parametreler (ortalama sıcaklık, yağış, bulutluluk, nispi nem, basınç, rüzgâr hızı) arasında çoklu doğrusal regresyon analizi ve makine öğrenmesi yöntemleri kullanılarak HKİ’nin tahmin edilmesi amaçlanmıştır. Çoklu doğrusal regresyon analizi ile yapılan HKİ’ni tahminleme oranı %41.8 bulunmuştur. Makine öğrenmesi yöntemlerinden Naive Bayes algoritmasının HKİ’ni %68.91, Karar Ağacı algoritmasının HKİ’ni %70.29, Derin öğrenme algoritmasının HKİ’ni %73.05, k-NN algoritmasının HKİ’ni %73.35 ve Rastgele Orman algoritmasının HKİ’ni %74.89 doğrulukla tahmin ettiği sonucuna ulaşılmıştır.

Abstract

Bu çalışmada; 15/09/2019 – 15/05/2020 ve 15/09/2020 – 15/05/2021 tarihleri arasındaki Ardahan, Kars, Erzurum ve Iğdır illeri şehir merkezlerindeki hava kalitesi indeksi (HKİ) ve meteorolojik parametreler (ortalama sıcaklık, yağış, bulutluluk, nispi nem, basınç, rüzgâr hızı) arasında çoklu doğrusal regresyon analizi ve makine öğrenmesi yöntemleri kullanılarak HKİ’nin tahmin edilmesi amaçlanmıştır. Çoklu doğrusal regresyon analizi ile yapılan HKİ’ni tahminleme oranı %41.8 bulunmuştur. Makine öğrenmesi yöntemlerinden Naive Bayes algoritmasının HKİ’ni %68.91, Karar Ağacı algoritmasının HKİ’ni %70.29, Derin öğrenme algoritmasının HKİ’ni %73.05, k-NN algoritmasının HKİ’ni %73.35 ve Rastgele Orman algoritmasının HKİ’ni %74.89 doğrulukla tahmin ettiği sonucuna ulaşılmıştır.

🔖

Bu Makaleye Atıf Yap

Akgün, M., Barlik, N. (2023). Makine Öğrenmesi Algoritmaları Kullanılarak Hava Kalitesi İndeksinin Tahmini. Avrupa Bilim ve Teknoloji Dergisi, Sayı: 51, 97–107. https://doi.org/10.31590/ejosat.1241170

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (25)

  1. Akan, D. S., & Morcalı, M. H. (2017). Kahramanmaraş Hava Kirliliği Kaynaklarının İzlenmesi ve Belirlenmesi Monitoring and Determination of Air Pollution Sources in Kahramanmaras. KSU Journal of Engineering Sciences, 20(2), 105–115.
  2. Arı, A., & Berberler, M. E. (2017). Yapay Sinir Ağları ile Tahmin ve Sınıflandırma Problemlerinin Çözümü İçin Arayüz Tasarımı. Acta Infologica, 1(2), 55–73. https://dergipark.org.tr/en/pub/acin/issue/33868/335553
  3. Ayturan, Y. A. (2019). Derin Ögrenme ile Havadaki Partikül Madde Konsantrasyonu Tahmin (Vol. 8, Issue 5). Karatay Üniversitesi.
  4. Büyüköztürk, Ş. (2013). Sosyal Bilimler İçin Veri Analizi El Kitabı (18th ed.). Pegem Akademi.
  5. Çelik, D. B., & Arıcı, N. (2021). Covid-19 Salgın Sürecinde Hava Kalitesi Tahmini: Zonguldak Örneği. Gazi Journal of Engineering Sciences, 7(3), 222–232. https://doi.org/10.30855/gmbd.2021.03.05
  6. Dokuz, Y., Bozdağ, A., & Gökçek, B. (2020). HavKali̇tesiParametreleri̇ni̇Tahmi̇ni̇ ve Mekansal Dağilim İçi̇n Maki̇ne Öğrenmesi Yöntemleri̇ni̇n Kullanilmasi. Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 9(1), 37–47. https://doi.org/10.28948/ngumuh.654092
  7. Fang, C., Liu, H., Li, G., Sun, D., & Miao, Z. (2015). Estimating the impact of urbanization on air quality in China using spatial regression models. Sustainability (Switzerland), 7(11), 15570–15592. https://doi.org/10.3390/su71115570
  8. Guliyev, R., & Akgün, M. (2020). Ardahan’da kullanılan kömürün hava kirliliğine etkisinin incelenmesi. Balıkesir Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 22(2), 479–489. https://doi.org/10.25092/baunfbed.709411
  9. Guo, Y., Liu, Y., Oerlemans, A., Lao, S., Wu, S., & Lew, M. S. (2016). Deep learning for visual understanding: A review. Neurocomputing, 187, 27–48. https://doi.org/10.1016/j.neucom.2015.09.116
  10. Gökçek, Begüm Öznur, Nuray Şaşa, Yeşim Dokuz, and Aslı Bozdağ. 2022. “PM10 Parametresinin Makine Öğrenmesi Algoritmalari Ile Mekânsal Analizi, Kayseri İli Örneği.” Deu Muhendislik Fakultesi Fen ve Muhendislik 24(70):65–80. doi: 10.21205/deufmd.2022247008.
  11. Gültepe, Yasemin. 2019. “Makine Öğrenmesi Algoritmaları Ile Hava Kirliliği Tahmini Üzerine Karşılaştırmalı Bir Değerlendirme.” European Journal of Science and Technology (16):8–15. doi: 10.31590/ejosat.530347.
  12. Hastie, T., Tibshirani, R., & Friedman, J. (2008). El anillo esofágico inferior. In The Elements of Statistical Learning (Issue 2).
  13. Irmak, M. E., & Aydilek, İ. B. (2019). Hava Kalite İndeksinin Tahmin Başarısının Artırılması için Topluluk Regresyon Algoritmalarının Kullanılması. Academic Platform Journal of Engineering and Science, 507–514. https://doi.org/10.21541/apjes.478038
  14. Kampa, M., & Castanas, E. (2008). Human health effects of air pollution. Environmental Pollution, 151(2), 362–367. https://doi.org/10.1016/j.envpol.2007.06.012
  15. Katsouyanni, K., Touloumi, G., Samoli, E., Gryparis, A., Le Tertre, A., Monopolis, Y., Rossi, G., Zmirou, D., Ballester, F., Boumghar, A., Anderson, H. R., Wojtyniak, B., Paldy, A., Braunstein, R., Pekkanen, J., Schindler, C., & Schwartz, J. (2001). Confounding and effect modification in the short-term effects of ambient particles on total mortality: Results from 29 European cities within the APHEA2 project. Epidemiology, 12(5), 521–531. https://doi.org/10.1097/00001648-200109000-00011
  16. Kuncheva, L. I. (2014). Combining Pattern Classifiers. In Combining Pattern Classifiers (2nd ed.). Wiley. https://doi.org/10.1002/9781118914564.ch9
  17. Kyrkilis, G., Chaloulakou, A., & Kassomenos, P. A. (2007). Development of an aggregate Air Quality Index for an urban Mediterranean agglomeration: Relation to potential health effects. Environment International, 33(5), 670–676. https://doi.org/10.1016/j.envint.2007.01.010
  18. Marsland, S. (2014). Machine Learning An Algorithmic Perspective Second Edition. https://b-ok.cc/book/2543746/ef80cb
  19. Mehtap, Öklü, and Pelin Canbay. 2023. “Makine Öğrenmesi Yöntemleri Ile Şehirlerin Hava Kalitesi Tahmini.” International Journal of Advances in Engineering and Pure Sciences 35(1):39–53. doi: 10.7240/jeps.1175507.
  20. Rybarczyk, Y., & Zalakeviciute, R. (2016). Machine learning approach to forecasting urban pollution. 2016 IEEE Ecuador Technical Chapters Meeting, ETCM 2016. https://doi.org/10.1109/ETCM.2016.7750810
  21. T.C. Çevre, Şehircilik ve İklim Değişikliği Bakanlığı. (2022). https://sim.csb.gov.tr/Home/HKI?baslik=HAVZA İZLEME SİSTEMİ
  22. T.C. Sağlık Bakanlığı. (2014). Türki̇ye kroni̇k hava yolu hastaliklari önleme ve kontrol programi (2014-2017).
  23. Ünaldı, S., & Yalçın, N. (2022). Hava Kirliliğinin Makine Öğrenmesi Tabanlı Tahmini: Başakşehir Örneği Prediction of Air Pollution based on Machine Learning Methods: A Case Study for Başakşehir, İstanbul. 4(1), 35–44.
  24. Vembandasamy, K., Sasipriya, R., & Deepa, E. (2015). Heart Diseases Detection Using Naive Bayes Algorithm. International Journal of Innovative Science, Engineering & Technology, 2(9), 441–444.
  25. Witten, I. H., & Frank, E. (2005). Credibility: Evaluating What’s been Learned. In Data Mining: Practical machine learning tools and techniques.http://books.google.com/books?hl=en&lr=&id=QTnOcZJzlUoC&oi=fnd&pg=PR17&dq=Data+Mining+Practical+Machine+Learning+Tools+and+Techniques&ots=3gpDdrWiOc&sig=TZS7G8l1eXSa2SpAvfD6aBoJ2lw