KaydedilenlerDerginizi ekleyin

Dergiler / Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi / 2020 / Cilt: 9 - Sayı: 1

HAVA KALİTESİ PARAMETRELERİNİN TAHMİNİ VE MEKANSAL DAĞILIMI İÇİN MAKİNE ÖĞRENMESİ YÖNTEMLERİNİN KULLANILMASI

Yeşim DOKUZ
Aslı BOZDAĞ
Öznur Begüm GÖKÇEK
Sayfa
37–47
DOI
—
🏛️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)

Bu çalışma, hava kalitesinin iyileştirilerek sürdürülebilir bir çevrenin elde edilmesinde hangi parametreler hangi yöntem kullanılarak nasıl bir analiz ile incelenmeli sorusuna ilişkin seçim karmaşasının çözümlenmesine yönelik gelecek çalışmalara bir fikir sunmaktadır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Hava kirliliği, nüfus ve endüstrileşmenin artması ile birlikte günümüzde küresel boyutta yaşanan sorunlardan biri haline gelmiştir.
📊
Temel Bulgular & Veri:Bu nedenle hava kirletici parametreler düzenli aralıklarla ölçülmeli ve ölçüm sonuçları değerlendirilerek gerekli tedbirler alınmalıdır.
💡
Sonuç & Katkı:Bu çalışma, hava kalitesinin iyileştirilerek sürdürülebilir bir çevrenin elde edilmesinde hangi parametreler hangi yöntem kullanılarak nasıl bir analiz ile incelenmeli sorusuna ilişkin seçim karmaşasının çözümlenmesine yönelik gelecek çalışmalara bir fikir sunmaktadır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:hava kirletici parametre · makine öğrenmesi · mekansal dağılım

Özet

Hava kirliliği, nüfus ve endüstrileşmenin artması ile birlikte günümüzde küresel boyutta yaşanan sorunlardan biri haline gelmiştir. Bu nedenle hava kirletici parametreler düzenli aralıklarla ölçülmeli ve ölçüm sonuçları değerlendirilerek gerekli tedbirler alınmalıdır. Hava kirliliğinin önlenmesi amacıyla kirletici parametreler bir model kapsamında değerlendirilmesi gerekmektedir. Son zamanlarda günümüzde hava kirliliğine yönelik objektif ve daha hassas sonuçların elde edilmesi için yapay zeka teknolojilerine ait makine öğrenmesi algoritmalarından yararlanılarak elde edilen çalışmalar yapılmaktadır. Bu çalışmada, öncelikli olarak hava kirletici parametrelerin özellikleri, çevreye olan etkileri ve bu parametrelerin tahmin edilmesi ve izlenmesinin gerekliliği açıklanmıştır. Ardından bu parametrelerin değerlendirilmesinde uygulanan makine öğrenmesi yöntemlerinin neler olduğu; hangi parametrelerin kullanıldığı, kullanım amaçları, kısıtlılıkları ve elde edilen doğruluk düzeyleri açısından incelenerek kullanılan yöntemlere ve çalışma prensiplerine ilişkin detaylı bilgi verilmiştir. Bu çalışma, hava kalitesinin iyileştirilerek sürdürülebilir bir çevrenin elde edilmesinde hangi parametreler hangi yöntem kullanılarak nasıl bir analiz ile incelenmeli sorusuna ilişkin seçim karmaşasının çözümlenmesine yönelik gelecek çalışmalara bir fikir sunmaktadır.

🔖

Bu Makaleye Atıf Yap

DOKUZ, Y., BOZDAĞ, A., GÖKÇEK, Ö. B. (2020). HAVA KALİTESİ PARAMETRELERİNİN TAHMİNİ VE MEKANSAL DAĞILIMI İÇİN MAKİNE ÖĞRENMESİ YÖNTEMLERİNİN KULLANILMASI. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 9 - Sayı: 1, 37–47. https://ajindex.com/articles/290103

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. Y. A. Ayturan, “Derin Öğrenme İle Havadaki Partikül Madde Konsantrasyonu Tahmini”, KTO Karatay Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, Konya, 2019
  2. S. Yeongkwon, A. R. Osornio-Vargas, M. S. O'Neill, P. Hystade, J. L. Texcalac-Sangrador, P. Ohman-Strickland, Q. Menga, S. Schwander, “Land use regression models to assess air pollution exposure in Mexico City using finer spatial and temporal input parameters”, Science of the Total Environment 639, 40–48, 2018
  3. H. Chu, J. Wei, W. Wu, “Streamflow prediction using LASSO-FCM-DBN approach based on hydrometeorological condition classification”, Journal of Hydrology,
  4. G. Xua, X. Ren, K. Xiong, L. Li, X. Bi, Q. Wu, “Analysis of the driving factors of PM2.5 concentration in the air: A case study of the Yangtze River Delta, China”, Ecological Indicators 110, 105889, 2020
  5. S. Zhu, X. Lian, H. Liu, J. Hu, Y. Wang, J. Che, “Daily air quality index forecasting with hybrid models: A case in China”, Environmental Pollution 231, 1232-1244, 2017
  6. S. Zhu, X. Lian, L. Wei, J. Che, X. Shena, L. Yang, X. Qiu, X. Liu, W. Gao, X. Ren, J. Li, “PM2.5 forecasting using SVR with PSOGSA algorithm based on CEEMD, GRNN and GCA considering meteorological factors”, Atmospheric Environment 183, 20–32, 2018
  7. W. Fan, F. Si, S. Ren, C. Yu, Y. Cui, P. Wang, “Integration of continuous restricted Boltzmann machine and SVR in NOx emissions prediction of a tangential firing boiler”, Chemometrics and Intelligent Laboratory Systems 195, 103870, 2019
  8. J. Murillo-Escobara, J.P. Sepulveda-Suescun, M.A. Correa, D. Orrego-Metaute, “Forecasting concentrations of air pollutants using support vector regression improved with particle swarm optimization: Case study in Aburrá Valley, Colombia”, Urban Climate 29, 100473, 2019
  9. H. Sun, D. Gui, B. Yan, Y. Liu, W. Liao, Y. Zhu, C. Lu, N. Zhao, “Assessing the potential of random forest method for estimating solar radiation using air pollution index”, Energy Conversion and Management 119, 121–129, 2016
  10. Rubal, D. Kumar, “Evolving Differential evolution method with random forest for prediction of Air Pollution”, Procedia Computer Science 132, 824–833, 2018
  11. J. A. Kaminska, “The use of random forests in modelling short-term air pollution effects based on traffic and meteorological conditions: A case study in Wrocław”, Journal of Environmental Management 217, 164-174, 2018
  12. Y. Wang, Y. Du, J. Wang, T. Li, “Cal