KaydedilenlerDerginizi ekleyin

Dergiler / Düzce Üniversitesi Bilim ve Teknoloji Dergisi / 2021 / Cilt: 9 - Sayı: 5

Nevşehir İli Hava Kalitesinin Markov Zinciri ile Tahmini

Prediction of Nevşehir Province Air Quality with Markov Chain

Emine BAŞTÜRK
Alper ALVER
Sayfa
1707–1723
Yayın Tarihi
2022-10-12
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)

Nevşehir İli HKİ değerleri iyi ve hassas dereceler arasında değişkenlik göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu makalede Nevşehir İlinde µg m-3 seviyesinde bulunan PM10, SO2, CO, NO2 ve O3 gibi temel hava kirletici parametreleri 01.08.2019-19.11.2020 tarihleri arasında izlenilmiş ve bu parametrelere bağlı olarak Hava Kalite İndeksi (HKİ) değerleri hesaplanmıştır.
📊
Temel Bulgular & Veri:Nevşehir İli HKİ değerleri iyi ve hassas dereceler arasında değişkenlik göstermektedir.
💡
Sonuç & Katkı:Sonuç olarak Markov Zinciri modellerinin farklı hava koşullarını tahmin etmede başarılı bir yöntem olarak kullanılabileceği belirlenmiştir.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:2019 Verileri
⚙️Değişkenler:Hava kirliliği · Hava kalite indeksi · Markov zinciri

Özet

Bu makalede Nevşehir İlinde µg m-3 seviyesinde bulunan PM10, SO2, CO, NO2 ve O3 gibi temel hava kirletici parametreleri 01.08.2019-19.11.2020 tarihleri arasında izlenilmiş ve bu parametrelere bağlı olarak Hava Kalite İndeksi (HKİ) değerleri hesaplanmıştır. Nevşehir İli HKİ değerleri iyi ve hassas dereceler arasında değişkenlik göstermektedir. HKİ izleme verileri kullanılarak Küçük Ölçekli ve Ayrık Zamanlı Markov Zinciri Modelleri eğitilmiş ve 20.11.2020-20.12.2020 tarihlerini kapsayan yeni verilerle doğrulamaları yapılmıştır. Yapılan bu çalışmada Nevşehir İli HKİ değerleri, Küçük Ölçekli ve Ayrık Zamanlı Markov zincir modelleri ile sırasıyla 0,887 ve 0,982 oranında başarıyla tahmin edilmiştir. Nevşehir İli hava kalitesine bağlı olarak daha az değişken duruma sahip olan Ayrık-Zamanlı Markov Zinciri Modeli hem eğitimde hem de kontrolünde kullanılan HKİ verilerini tahmin etmede daha başarılı bulunmuştur. Sonuç olarak Markov Zinciri modellerinin farklı hava koşullarını tahmin etmede başarılı bir yöntem olarak kullanılabileceği belirlenmiştir.

Abstract

In this article, basic air pollutant parameters such as PM10, SO2, CO, NO2, and O3 at µg m-3 level in Nevşehir Province were monitored between 01.08.2019-19.11.2020 and Air Quality Index (AQI) values were calculated depending on these parameters. Nevşehir Province AQI values vary between good and sensitive degrees. While monitoring data were used in the training of the models, the data calculated between 20.11.2020-20.12.2020 and not used in the training of the models were also used in the checking. In this study, Nevşehir Province AQI values were successfully predicted using small-scale and discrete-time Markov Chain Models at 0.887 and 0.982, respectively. The discrete-time Markov Chain Model, which has less variable status depending on the air quality of Nevşehir Province, has been found to be more successful in predicting the AQI data used both in training and checking. As a result, it has been revealed that Markov Chain models can be used as a successful method to predict different weather conditions.

🔖

Bu Makaleye Atıf Yap

BAŞTÜRK, E., ALVER, A. (2022). Nevşehir İli Hava Kalitesinin Markov Zinciri ile Tahmini. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, Cilt: 9 - Sayı: 5, 1707–1723. https://ajindex.com/articles/494001

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. L. Yang, M. Li, W. Li, Y. Jiang, and Z. Qiang, “Bench-and pilot-scale studies on the removal of pesticides from water by VUV/UV process,” Chemical Engineering Journal, vol. 342, pp. 155-162, 2018
  2. Y. J. Wu and J.-C. Chen, “A structured method for smart city project selection,” International Journal of Information Management, pp. 101981, 2019
  3. World Health Organization, “WHO Air quality guidelines for particulate matter, ozone, nitrogen dioxide and sulfur dioxide: global update 2005: summary of risk assessment, Geneva, Switzerland, WHO/SDE/PHE/OEH/06.02, 2006
  4. Y.-Y. Lee, Y.-K. Hsieh, G.-P. Chang-Chien, and W. Wang, “Characterization of the air quality index in southwestern Taiwan,” Aerosol and Air Quality Research, vol. 19, no. 4, pp. 749-785, 2019
  5. K. N. Andersen, J. A. Nielsen, and S. Kim, “Use, cost, and digital divide in online public health care: lessons from Denmark,” Transforming Government: People, Process and Policy, pp. 197-211, 2019
  6. J. P. S Sidhu, W. Ahmed, W. Gernjak, R. Aryal, D. McCarthy, A. Palmer, P. Kolotelo, and S. Toze, “Sewage pollution in urban stormwater runoff as evident from the widespread presence of multiple microbial and chemical source tracking markers,” Science of the Total Environment, vol. 463, pp. 488-496, 2013
  7. U.S. Environmental Protection Agency, “A guide to air quality and your health,” New York, USA, EPA-456/F-14-002, 2009
  8. C. Zhu, R. Fan, J. Sun, M. Luo, and Y. Zhang, “Exploring the fluctuant transmission characteristics of Air Quality Index based on time series network model,” Ecological Indicators, vol. 108, pp. 105681, 2020
  9. X. Yang, Z. Zhang, Z. Zhang, L. Sun, C. Xu, and L. Yu, “A long-term prediction model of Beijing haze episodes using time series analysis,” Computational Intelligence and Neuroscience, vol. 2016, 2016
  10. P. Hajek and V. Olej, “Predicting common air quality index-the case of czech microregions,” Aerosol and Air Quality Research, vol. 15, no. 2, pp. 544-555, 2015
  11. Y. Qi and S. Ishak, “A Hidden Markov Model for short term prediction of traffic conditions on freeways,” Transportation Research Part C: Emerging Technologies, vol. 43, pp. 95-111, 2014
  12. J. R. Crusoe and K. Ahlin, “Users’ activities for using open goandrnment data–a process framework,” Transforming Goandrnment: People, Process and Policy, pp. 213-236, 2019
  13. S. Elgharbi, M. Esghir, O. Ibrihich, A. Abarda, S. El Hajji, and S. Elbernoussi, “Grey-Markov Model for the prediction of the elec