Derin Öğrenme Yöntemi ile İç Anadolu Bölgesi ve Çevresi Hava Kirliliği Tahmini


Aydın S., Taşyürek M., Öztürk C.

European Journal of Science and Technology, sa.Special Issue 29, ss.168-173, 2021 (Hakemli Dergi)

Özet

Sanayideki gelişmeler, nüfus artışı, çarpık kentleşme gibi sebepler hava kirliliğini artırmaktadır. Hava kirliliği tüm ekolojiyi ve insan
sağlığını olumsuz yönde etkilediği için küresel anlamda önemlidir. Hava kirliliğinden kaynaklı oluşabilecek tehlikeli durumla
önleyebilmek için önceden tedbirler alınmalıdır. Hava kirliliğini etkileyen unsurların önceden tahmin edilmesi ile oluşabilecek tehlikeli
durumları önlemek mümkün olabilir. Partikül madde (PM) değeri hava kirliliğinin derecesini belirtmek için yaygın olarak kullanılan
bir parametredir. Aerodinamik çapı 10 μmden küçük olan partiküller madde olarak tanımı yapılan PM10 parametresi, ülkemiz için
belirlenen sınır değerleri aşmaktadır ve dolayısıyla PM10 konsantrasyonunun artışında önlem alınması ciddi önem taşımaktadır. Bu
çalışmada hava kalitesinin belirlenmesinde büyük rolü olan PM10 parametresinin değerlerinin tahmini üzerine araştırmalar yapılmıştır.
Bu çalışmada, Meteoroloji Genel Müdürlüğüne ait İç Anadolu Bölgesi ve çevresindeki istasyonlara ait gerçek ölçüm verileri
kullanılmıştır. Hava kalitesi indeksinin hesaplanmasında kullanılan kirletici madde parametrelerinin değerleri kullanılarak PM10
parametresinin değeri tahmin edilmiştir. Son yıllarda tahmin işlemlerinde derin öğrenme yöntemleri sıklıkla kullanılmaktadır. Derin
öğrenme yöntemlerinden uzun süreli kısa bellek ağı (LSTM) modeli zamansal olarak bir önceki durumdan etkilenen veri kümelerinde
yaygın olarak kullanılmaktadır. Anlık hava kalitesi bir önceki durumlardan etkilendiğinden dolayı bu çalışmada LSTM derin öğrenme
modeli bir ilin PM10 değerlerinin tahmin edilmesi için önerilmiştir. Önerilen LSTM tabanlı modelin performansı klasik derin öğrenme
yöntemi (DL) ile karşılaştırılmıştır. Yöntemlerin başarım performansını irdelemek için değerlendirme kriteri ortalama hata kare kökü
(RMSE) ve ortalama mutlak hata (MAE) değerleri kullanılmıştır. Deneysel değerlendirmeler, önerilen LSTM yönteminin DL yöntemine
göre PM10 değerlerinin tahmininde daha başarılı tahminler elde ettiğini göstermektedir. Ayrıca LSTM yönteminin veri kaybı olduğu
durumlarda DL yöntemine kıyasla veri sayısından daha az etkilendiği görülmüştür.