Hava Kirliliğinin Makine Öğrenmesi Tabanlı Tahmini: Başakşehir Örneği

Yıl 2022, Cilt: 4 Sayı: 1, 35 - 44, 29.04.2022

Sibel Ünaldı , Nesibe Yalçın

https://doi.org/10.46387/bjesr.1055946

Cited By: 5

Öz

Şehir sakinleri için daha sağlıklı bir yaşam ortamının sağlaması ve onların hava kirliliğine maruziyetinin en aza indirilmesi oldukça önemlidir. Bunun için yapılabilecek çalışmalar arasında kirletici parametrelerine ilişkin ölçümlerin düzenli olarak yapılması ve izlenmesi, hava kirliliğinin tahmin edilmesi ve insan sağlığı üzerindeki etkilerinin erken değerlendirilmesi yer almaktadır. Bu çalışmada, makine öğrenmesi yöntemleri kullanılarak hava kirliliği tahmini gerçekleştirilmiştir. İstanbul ili Başakşehir ilçesinde 2016-2021 yılları arasında ölçülen çeşitli hava kirleticilerine ilişkin günlük ortalama konsantrasyonları ile rüzgar yönü, rüzgar hızı ve hava basıncı değerleri kullanılmıştır. PM10, CO, SO2, O2 ve O3 kirleticilerin konsantrasyonları, Çoklu Doğrusal Regresyon, Destek Vektör Makinaları, K En Yakın Komşu, Karar Ağaçları, Rastgele Orman ve Çok Katmanlı Algılayıcı Sinir Ağı yöntemleri ile tahmin edilmiştir. Elde edilen sonuçlar karşılaştırıldığında PM10, CO, SO2 ve O3 konsantrasyonları tahmininde Rastgele Orman yöntemi, NO2 tahmininde ise Çoklu Doğrusal Regresyon, en iyi sonuçları sunmuştur.

Anahtar Kelimeler

Çoklu Doğrusal Regresyon, Hava kirliliği, Makine Öğrenmesi, Rastgele Orman, Yapay Sinir Ağları

Teşekkür

Yazarlar, İstanbul Büyükşehir Belediyesi Çevre Koruma ve Kontrol Daire Başkanlığı Çevre Koruma Müdürlüğü Hava Kalitesi İzleme Merkezi’ ne, bu araştırma çalışmasını gerçekleştirmemizi sağlamak için hava kalitesi verilerini kullanıma sundukları için teşekkür eder.

Prediction of Air Pollution based on Machine Learning Methods: A Case Study for Başakşehir, İstanbul

Öz

Regular measurement and monitoring of pollutant parameters, prediction of air pollution, and early assessment of its effects on human health are very important to provide a healthier living environment for the city’s residents, and to minimize exposure to air pollution. This study aims to predict air pollution by using machine learning methods. The daily average concentrations of various air pollutants, as well as wind direction, wind speed and air pressure values measured between 2016 and 2021 in Başakşehir are used. PM10, CO, SO2, NO2, and O3 concentrations are predicted using Multiple Linear Regression, Support Vector Machine, K Nearest Neighbor, Decision Tree, Random Forest, and Multi-layer Perceptron Neural Network methods. The obtained results are compared in terms of some performance metrics. The Random Forest method has the minimum error values in the prediction of PM10, CO, SO2, and O3 concentrations, and Multiple Linear Regression shows the better prediction performance for NO2 concentration.

Anahtar Kelimeler

Air pollution, Artificial Neural Networks, Machine Learning, Multiple Linear Regression, Random Forest

Kaynakça

• WHO. (2021, 20 Aralık). Ambient air pollution [Çevrimiçi]. Erişim: https://www.who.int/teams/environment-climate-change-and-health/air-quality-and-health/ambient-air-pollution.
• Ö. Zeydan, “2019 yılında Türkiye’deki partikül madde (PM10) kirliliğinin değerlendirilmesi”, Journal of the Institute of Science and Technology, vol. 11, no. 1, pp. 106-118, 2021.
• T. Sarver, A. Al-Qaraghuli, and L. L. Kazmerski, “A comprehensive review of the impact of dust on the use of solar energy: History, investigations, results, literature, and mitigation approaches”, Renewable and Sustainable Energy Reviews, vol. 22, pp. 698-733, 2013.
• D. Sanjeev, “Implementation of machine learning algorithms for analysis and prediction of air quality”, International Journal of Engineering Research & Technology (IJERT), vol. 10, no. 3, pp. 533-538, 2021.
• Y. Gültepe, “Makine öğrenmesi algoritmaları ile hava kirliliği tahmini üzerine karşılaştırmalı bir değerlendirme”, Avrupa Bilim ve Teknoloji Dergisi, vol. 16, pp. 8-15, 2019.
• M. E. Ekinci, “Destek Vektör Regresyon ile hava kirliliği tahmini”, Yüksek lisans tezi, Endüstri Mühendisliği Bölümü, Eskişehir Osmangazi Üniversitesi, Eskişehir, Türkiye, 2017.
• M. E. Irmak, and İ. B. Aydilek, “Hava kalite indeksinin tahmin başarısının artırılması için topluluk regresyon algoritmalarının kullanılması”, Academic Platform Journal of Engineering and Science, vol. 7, no. 3, pp. 507-514, 2019.
• E. Arnaudo, A. Farasin, and C. Rossi, “A Comparative analysis for air quality estimation from traffic and meteorological data”, Applied Science, vol. 10, no. 13, pp. 4587(1-20), 2020.
• A. Altunkaynak, E. E. Başakın, and E. Kartal, “Dalgacık K-en yakın komşuluk yöntemi ile hava kirliliği tahmini”, Uludağ University Journal of The Faculty of Engineering, vol. 25, no. 3, pp. 1547-1556, 2020.
• Q. Zhang, F. Fu, and R. Tian, “A deep learning and image-based model for air quality estimation”, Science of The Total Environment, vol. 724, pp. 138178 (1-11), 2020.
• S. Aydın, M. Taşyürek, and C. Öztürk, “Derin Öğrenme Yöntemi ile İç Anadolu Bölgesi ve Çevresi Hava Kirliliği Tahmini”, Avrupa Bilim ve Teknoloji Dergisi, pp. 168-173, 2021.
• M. Alghieth, R. Alawaji, S. H. Saleh, and S. Alh, “Air pollution forecasting using deep learning”, International Journal of Online & Biomedical Engineering, vol. 17, no. 14, pp. 50-64, 2021.
• K. Kaya, “Veri madenciliği yöntemleri kullanarak hava kirliliği tahmini”, Yüksek lisans tezi, Bilgisayar Mühendisliği Bölümü, İstanbul Teknik Üniversitesi, İstanbul, Türkiye, 2019.
• M. Gayathri, R. Shankar, and S. Duraisamy, “Air pollution prediction using data mining technique”, International Research Journal of Engineering and Technology (IRJET), vol. 7, no. 8, pp. 4292-4297, 2020.
• Y. Dokuz, A. Bozdağ, and B. Gökçek, “Hava kalitesi parametrelerinin tahmini ve mekansal dağılımı için makine öğrenmesi yöntemlerinin kullanılması”, Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, vol. 9, no. 1, pp. 37-47, 2020.
• M. Strak, G. Weinmayr, S. Rodopoulou, J. Chen, K. de Hoogh, Z. J. Andersen et al., “Long term exposure to low level air pollution and mortality in eight European cohorts within the ELAPSE project: pooled analysis”, BMJ 2021, vol. 374, no. 1904, pp. 1-11, 2021.
• WHO global air quality guidelines, “Particulate matter (PM2.5 and PM10), ozone, nitrogen dioxide, sulfur dioxide and carbon monoxide”, Geneva: World Health Organization, 2021, pp. xvii.
• S. Cindoruk, “Havadaki NO ve NO2 parametrelerinin Marmara Temiz Hava Merkezi ölçümleri kapsamında incelenmesi”, Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, vol. 7, no. 2, pp. 600-611, 2018.
• D. Grano, “Clean Air Act requirements: Effect on Emissions of NO, from stationary sources. In: Ozkan, U.S., Agarwal, SK. And Marcelin, G. (Eds.), Reduction of Nitrogen Oxide Emissions, ACS Symposium Series 587”, American Chemical Society, Washington, DC, pp. 14-31, 1995.
• Resmi Gazete (Sayı: 26898). (2021, 20 Aralık). Hava Kalitesi Değerlendirme ve Yönetimi Yönetmeliği [Çevrimiçi]. Erişim: https://www.resmigazete.gov.tr/eskiler/2008/06/20080606-6.htm
• T.C. Çevre, Şehircilik ve İklim Değişikliği Bakanlığı. (2021, 29 Aralık). Hava kalitesi izleme sistemi [Çevrimiçi]. Erişim: https://sim.csb.gov.tr/Home/HKI?baslik=HAVZA%20%C4%B0ZLEME %20S%C4%B0STEM%C4%B0
• UK AIR Air Information Resource. (2021, 29 Dec). Effects of air pollution [Online]. Available: https://uk-air.defra.gov.uk/air-pollution/effects
• İstanbul Büyükşehir Belediyesi Çevre Koruma ve Kontrol Daire Başkanlığı Çevre Koruma Müdürlüğü Hava Kalitesi İzleme Merkezi. (2021, 31 Aralık). Başakşehir (Sanayi-Kentsel) [Çevrimiçi]. Erişim: https://havakalitesi.ibb.istanbul/Pages/AirQualityDetails/6d169752-eabc-4f7e-87ea-6cf10b452486
• T. Hastie, R. Tibshirani, J. H. Friedman, and J. H. Friedman, “The elements of statistical learning: data mining, inference, and prediction”, vol. 2, pp. 1-758), New York, Springer, 2009.
• S. Tolun, “Destek vektör makineleri: Banka başarısızlığının tahmini üzerine bir uygulama”, İktisadî Araştırmalar Vakfı, 2008.
• J. -Y. Hsia, and C. -J. Lin, “Parameter Selection for Linear Support Vector Regression”, IEEE Transactions on Neural Networks and Learning Systems, vol. 31, no. 12, pp. 5639-5644, 2020.
• D. Chicco, M.J. Warrens, and G. Jurman, “The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation”, PeerJ Computer Science, vol. 7, pp. (1-24), 2021.
• İ. Akbulut, and B. Özcan, “Hava Kirliliği Tahmini: Yapay Sinir Ağları ve Regresyon Yöntemleriyle Bir Karşılaştırma”, Kocaeli Üniversitesi Fen Bilimleri Dergisi, vol. 3, no. 1, pp. 12-22, 2020.
• A. Alimissis, K. Philippopoulos, C.G. Tzanis, and D. Deligiorgi, “Spatial estimation of urban air pollution with the use of artificial neural network models”, Atmospheric Environment, vol. 191, pp. 205-213, 2018.