Covid-19 Salgın Sürecinde Hava Kalitesi Tahmini: Zonguldak Örneği

Year 2021, Volume: 7 Issue: 3, 222 - 232, 31.12.2021

Büşra Duygu Çelik , Nursal Arıcı

Abstract

Hava kirleticilerinin insan sağlığı üzerinde basit etkilerden erken ölüme kadar ciddi etkilere neden olduğu bilinmektedir. Özellikle solunum problemleri, akciğer rahatsızlıkları ve zatürre gibi birçok rahatsızlığa sebep olmaktadır. 30 Aralık 2019 itibariyle dünyayı etkisi altına alan Covid-19 salgını bir solunum yolu hastalığıdır ve hava yoluyla bulaşmaktadır. Günümüzde devam eden salgın sürecinde hava kalitesinin tahmin edilmesi ve buna yönelik tedbirlerin alınması Covid-19 gibi hava yoluyla bulaşan hastalıkların yayılma hızını etkilemesi açısından önem taşımaktadır. Bu çalışma, Covid-19 salgını öncesi ve Covid-19 salgın sürecinde ölçülen çeşitli kirletici konsantrasyonlarını ele alarak makine öğrenmesi yöntemleriyle hava kalitesini tahmin etmektedir. Çalışmada kullanılan veri seti, hava kirliliğinin yüksek olduğu, gelişmiş sanayiye sahip Zonguldak iline ait kirletici konsantrasyonlarından oluşmaktadır. Veriler, Çevre ve Şehircilik Bakanlığı (ÇSB) Hava İzleme İstasyonları web sitesinden sağlanmıştır. Tahmin başarısı yüksek beş farklı makine öğrenmesi yöntemi kullanılmış ve çalışma sonucunda en iyi başarı Karar Ağacı algoritmasında elde edilmiştir. Hastalığın bulaşıcılığını azaltmak için uygulanan karantina süresinde kirletici konsantrasyonlarında büyük ölçüde azalma gerçekleştiği ve hava kalitesinde iyileşme olduğu görülmektedir. Deneysel sonuçlar, önerilen modelin hava kalitesini tespit etmek ve gelecekteki kirletici seviyelerini tahmin etmek için verimli bir şekilde kullanılabileceğini göstermektedir.

Keywords

Covid-19, hava kirliliği, hava kalitesi tahmini, makine öğrenmesi

Supporting Institution

Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK)

Thanks

Bu çalışma, Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK) 2210-A Yurt İçi Genel Yüksek Lisans Burs Programı kapsamında desteklenmiştir.

Air Quality Forecast in the Covid-19 Outbreak Process: Zonguldak Case

Abstract

Air pollutants are known to cause serious effects on human health, from simple effects to premature death. It causes many ailments such as respiratory problems, lung diseases and pneumonia. The Covid-19 epidemic, which has affected the world as of December 30, 2019, is a respiratory disease and is transmitted by air. (In today’s ongoing epidemic process, it is important to forecast air quality and take measures to prevent the spread of air-borne diseases such as Covid-19. In the study, it forecasts air quality through machine learning methods by addressing the various pollutant concentrations measured before the Covid-19 outbreak and during the Covid-19 outbreak. The data set used in the study consists of pollutant concentrations belonging to Zonguldak Province, which has high air pollution and developed industry. Data was obtained from the Ministry of Environment and Urbanization (MoEU) Air Monitoring Stations website. Five different machine learning methods with high forecast success were used and the best success was obtained from the Decision Tree algorithm as a result of the study. During the quarantine period applied to reduce the contagiousness of the disease, it is seen that the pollutant concentrations are greatly reduced and the air quality is improved. The experimental results show that the proposed model can be used efficiently to determine air quality and predict future pollutant levels.

Keywords

Covid-19, air pollution, air quality prediction, machine learning

References

• İ. Atacak, N. Arıcı, ve D. Güner, “Modelling and evaluating air quality with fuzzy logic algorithm-Ankara- Cebeci sample”, Int. J. Intell. Syst. Appl. Eng., c. 5, sayı 4, ss. 263–268, 2018, doi: 10.1039/b000000x.
• P. Samani, C. García-Velásquez, P. Fleury, ve Y. Van Der Meer, “The impact of the covid-19 outbreak on climate change and air quality: four country case studies”, Glob. Sustain., c. 4, ss. 1–43, Oca. 2021, doi: 10.1017/sus.2021.4.
• T. Şimşek ve V. Yılmaz, “Hava kalitesi ile covid-19 arasındaki ilişki: G-7 ülkeleri üzerine bir uygulama”, J. Turkish Stud., c. 15, sayı 4, ss. 1353–1366, 2020, doi: 10.7827/turkishstudies.43883.
• E. Conticini, B. Frediani, ve D. Caro, “Can atmospheric pollution be considered a co-factor in extremely high level of SARS-CoV-2 lethality in northern Italy?”, Environ. Pollut., c. 261, s. 114465, 2020, doi: 10.1016/j.envpol.2020.114465.
• Zonguldak Çevre ve Şehircilik İl Müdürlüğü, “Zonguldak ili 2018 yılı çevre durum raporu”, 2019. [Çevrimiçi]. Available at: https://webdosya.csb.gov.tr/db/ced/icerikler/zongudak_2018-cdr_son-20190926093732.pdf.
• Y. Zhu, J. Xie, F. Huang, ve L. Cao, “Association between short-term exposure to air pollution and covid-19 infection: evidence from China”, Sci. Total Environ., c. 727, s. 138704, 2020, doi: 10.1016/j.scitotenv.2020.138704.
• D. Rodríguez-Urrego ve L. Rodríguez-Urrego, “Air quality during the covid-19: PM2.5 analysis in the 50 most polluted capital cities in the world”, Environmental Pollution, c. 266. Elsevier Ltd, Kas. 01, 2020, doi: 10.1016/j.envpol.2020.115042.
• E. B. Brandt, A. F. Beck, ve T. B. Mersha, “Air pollution, racial disparities, and covid-19 mortality”, Journal of Allergy and Clinical Immunology, c. 146, sayı 1. ss. 61–63, 2020, doi: 10.1016/j.jaci.2020.04.035.
• H. Doreswamy, K. Harishkumar, Y. Km, ve İ. M. Gad, “Forecasting air pollution particulate matter (PM2.5) using machine learning regression models”, içinde Procedia Computer Science, Oca. 2020, c. 171, ss. 2057–2066, doi: 10.1016/j.procs.2020.04.221.
• G. K. Kang, J. Z. Gao, S. Chiao, S. Lu, ve G. Xie, “Air quality prediction: big data and machine learning approaches”, Int. J. Environ. Sci. Dev., c. 9, sayı 1, ss. 8–16, 2018, doi: 10.18178/ijesd.2018.9.1.1066.
• A. Masood ve K. Ahmad, “A model for particulate matter (PM2.5) prediction for Delhi based on machine learning approaches”, içinde Procedia Computer Science, Oca. 2020, c. 167, ss. 2101–2110, doi: 10.1016/j.procs.2020.03.258.
• J. K. Deters, R. Zalakeviciute, M. Gonzalez, ve Y. Rybarczyk, “Modeling PM2.5 urban pollution using machine learning and selected meteorological parameters”, J. Electr. Comput. Eng., ss. 1–14, Haz. 2017, doi: 10.1155/2017/5106045.
• S. Bali ve M. N. Sengar, “Indian air quality prediction and analysis using machine learning”, J. Eng. Sci., c. 11, sayı 5, ss. 554–557, 2020.
• Y. Yıldırım, Ö. Zeydan, ve E. Karakavuz, “Kentleşme ve hava kalitesi açısından ilimiz Zonguldak”, Zo. Kent Sempozyumu, sayı May, ss. 81–89, 2011.
• Zonguldak Çevre ve Şehircilik İl Müdürlüğü, “Zonguldak 2019 yılı çevre durum raporu”, 2020. [Çevrimiçi]. Available at: https://webdosya.csb.gov.tr/db/ced/icerikler/2019_zonguldak_cdr-20200914150210.pdf.
• Çevre ve Şehircilik Bakanlığı(ÇŞB), “Hava kalitesi istasyon veri indirme T.C. çevre ve şehircilik bakanlığı”, 2021. https://sim.csb.gov.tr/STN/STN_Report/StationDataDownloadNew (erişim Mar. 10, 2021).
• A. Masih, “Machine learning algorithms in air quality modeling”, Glob. J. Environ. Sci. Manag., c. 5, sayı 4, ss. 515–534, 2019, doi: 10.22034/gjesm.2019.04.10.
• J. Huo, T. Shi, ve J. Chang, “Comparison of random forest and SVM for electrical short-term load forecast with different data sources”, içinde 7th IEEE International Conference on Software Engineering and Service Science, Tem. 2016, ss. 1077–1080, doi: 10.1109/ICSESS.2016.7883252.
• Z. Yao ve W. L. Ruzzo, “A regression-based k nearest neighbor algorithm for gene function prediction from heterogenous data”, BMC Bioinformatics, c. 7, sayı 1, ss. 1–11, Mar. 2006, doi: 10.1186/1471-2105-7-s1-s11.
• A. Dey, “Machine learning algorithms: a review”, Int. J. Comput. Sci. Inf. Technol., c. 7, sayı 3, ss. 1174–1179, 2016.
• DSÖ, “Science in 5 - episode 9 - hava kirliliği ve covid-19”, 2021. https://www.who.int/emergencies/diseases/novel-coronavirus-2019/media-resources/science-in-5/episode-9---air-pollution-covid-19 (erişim Oca. 01, 2021).
• DSÖ, “Koronavirüs hastalığı (covid-19): iklim değişikliği”, 2021. https://www.who.int/news-room/q-a-detail/coronavirus-disease-covid-19-climate-change (erişim Oca. 01, 2021).
• S. Çinaroğlu, “Sağlık harcamasının tahmininde makine öğrenmesi regresyon yöntemlerinin karşılaştırılması”, Uludağ Üniversitesi Mühendislik Fakültesi Derg., c. 22, sayı 2, ss. 179–199, 2017, doi: 10.17482/uumfd.338805.
• S. Karasu, A. Altan, Z. Sarac, ve R. Hacioglu, “Prediction of bitcoin prices with machine learning methods using time series data”, içinde 26th IEEE Signal Processing and Communications Applications Conference, SIU, Tem. 2018, ss. 1–4, doi: 10.1109/SIU.2018.8404760.