KaydedilenlerDerginizi ekleyin

Dergiler / Sakarya University Journal of Science / 2016 / Cilt: 20 Sayı: 3

Zaman Serisi Kümelemesinin Türkiye’deki hava kirliliği izleme istasyonlarındaki bilgi fazlalığının tespit edilmesine uygulanması

Time Series Clustering’s application to identifying of information redundancy at air pollution monitoring stations in Turkey

Öznur İŞÇİ GÜNERİ
Nevin GÜLER DİNÇER
Muhammet Oğuzhan YALÇIN
Sayfa
605–616
Yayın Tarihi
2016-09-02
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)

Yapılan analizler sonucunda, izleme istasyonlarındaki bilgi fazlalılığının ve bununla birlikle izleme maliyetinin PM10 hava kirleticisi için yaklaşık olarak %78.5, SO2 hava kirleticisi için %73.5 azaltılabileceği sonucunda ulaşılmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmanın amacı Türkiye’de PM10 ve SO2 kirleticileri konsantrasyonları bakımından benzer davranışa sahip hava kirliliği izleme istasyonlarını belirlemek ve böylece izleme maliyetini ve bilgi fazlalığını azaltmaktır.
📊
Temel Bulgular & Veri:Bu amaca yönelik olarak, otoregresif modele dayanan Bulanık k-Medoidler (BKM) algoritması kullanılmıştır.
💡
Sonuç & Katkı:Yapılan analizler sonucunda, izleme istasyonlarındaki bilgi fazlalılığının ve bununla birlikle izleme maliyetinin PM10 hava kirleticisi için yaklaşık olarak %78.5, SO2 hava kirleticisi için %73.5 azaltılabileceği sonucunda ulaşılmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Otoregresif model · bulanık k-medoid kümeleme · hava kalitesi izleme istasyonları

Özet

Bu çalışmanın amacı Türkiye’de PM10 ve SO2 kirleticileri konsantrasyonları bakımından benzer davranışa sahip hava kirliliği izleme istasyonlarını belirlemek ve böylece izleme maliyetini ve bilgi fazlalığını azaltmaktır. Bu amaca yönelik olarak, otoregresif modele dayanan Bulanık k-Medoidler (BKM) algoritması kullanılmıştır. Yapılan analizler sonucunda, izleme istasyonlarındaki bilgi fazlalılığının ve bununla birlikle izleme maliyetinin PM10 hava kirleticisi için yaklaşık olarak %78.5, SO2 hava kirleticisi için %73.5 azaltılabileceği sonucunda ulaşılmıştır.

Abstract

The aim of study is to determine the monitoring stations having similar behavior with respect to PM10 and SO2 concentrations and thus decrease monitoring cost and information redundancy. For this purpose, autoregressive model based Fuzzy K-medoids algorithm is used. At the results of analyses, it has been concluded that information redundancy in monitoring stations and thus monitoring cost can be decreased approximately 78.5% for PM10 air pollutant, 73.5% for SO2 air pollutant.

🔖

Bu Makaleye Atıf Yap

GÜNERİ, Ö. İ., DİNÇER, N. G., YALÇIN, M. O. (2016). Zaman Serisi Kümelemesinin Türkiye’deki hava kirliliği izleme istasyonlarındaki bilgi fazlalığının tespit edilmesine uygulanması. Sakarya University Journal of Science, Cilt: 20 Sayı: 3, 605–616. https://ajindex.com/articles/942380

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (10)

  1. Ö. Akyürek, O. Arslan ve A. Karedemir, «SO2 ve PM10 Hava Kirliliği Parametrelerinin CBS ile Konumsal Analizi: Kocaeli Örneği,» TMMOB Coğrafi Bilgi Sistemleri Kongresi, Ankara, 2013. D. A. Dickey ve W. A. Fuller, «Distribution of the Estimators for Autoregressive Time Series with a Unit Root,» Journal of the American Statistical Association, no. 74, pp. 427-431, 1979.
  2. C. Lavecchia, E. Angelino, M. Bedogni, E. Brevetti, R. Gualdi, G. Lanzani, A. Musitelli ve M. Valentini, «The Ozone Patterns in the Aerological Basin Of Milan (Italy),» Environ Softw, no. 11, pp. 73-80, 1996.
  3. C. Ortuno, M. Jaimes, R. Munoz, R. Ramos ve V. H. Paramo, «Redundancy Analysis for the Mexico City Air Monitoring Network: The Case of CO.,» 1997. [Çevrimiçi]. Available: http://files.abstractsonline.com/CTRL/2D/A/06E/7F9/022/434/F8D/F8C/2D3/E4B/F3E/66/a1177_1.doc. [tarihinde erişilmiştir 06 13 2016]. C. Silva ve A. Quiroz, «Optimization of The Atmospheric Pollution Monitoring Network at Santiago De Chile,» Atmos Environ,, no. 37, pp. 2337-2345, 2003.
  4. S. Saksena, V. Joshi ve R. S. Patil, «Cluster Analysis of Delhi’s Ambient Air Quality Data,» J Environ Monit, no. 5, pp. 491-499, 2003.
  5. V. V. M. Gabushi, V. Gabushi ve M. Volta, «A Methodology for Seasonal Photochemical Model Simulation Assessment,» J Environ Pollut, no. 24, pp. 11-21, 2005.
  6. W. Z. Lu, H. D. He ve L. Y. Dong, «Performance Assessment of Air Quality Monitoring Networks Using Principal Component Analysis and Cluster Analysis,» Build Environ, no. 46, pp. 577-583, 2011.
  7. E. Gramsh, F. Cereceda-Balic, P. Oyola ve D. Von Baer, «Examination of Pollution Trends in Santiago De Chile With Cluster Analysis of PM10 and Ozone Data,» Atmos Environ, no. 40, pp. 5464-5475, 2006. I. Morlini, «Searching for Structure in Measurements of Air Pollutant Concentration,» Environmetrics, no. 18, pp. 823-840, 2007.
  8. D. Giri, V. Murthy, P. R. Adhikary ve N. Khanal, «Ambient Air Quality of Kathmandu Valley as Reflected by Atmospheric Particulate Matter Concentrations PM10,» International Journal of Environmental Science and Technology, no. 9, 2006.
  9. J. M. Pires, S. V. Sousa, M. C. Pereira, M. M. Alvim-Ferraz ve F. G. Martins, «Management of Air Quality Monitoring Using Principal Component and Cluster Analysis—Part I: SO2 and PM10,» Atmos Environ, no. 42, pp. 1249-1260, 2008a.
  10. J. M. Pires, S. V. Sousa, M. C. Pereira, M. M. Alvim-Ferraz ve F. G. Martins, «Management of Air Quality Monitoring Using Principal Component and Cluster Analysis—Part II: CO, NO2 and O