Hava kirliliğinin makine öğrenmesi yöntemleriyle tahmini

Abstract

Hava kirliliği, insanlar için dünya çapında bir risk olarak kabul edilmektedir. Uzun süre yüksek düzeyde ozon kirleticisine maruz kalmak bronşit, amfizem, astım vb. gibi kronik solunum yolu hastalıklarına yol açabilir. İnsan vücudu üzerindeki etkisine ek olarak, yüksek düzeyde ozon, mahsullerin fotosentez verimliliğini etkileyerek mahsul veriminin azalmasına da neden olur. Buna ek olarak, kentsel alanlarda hava kalitesini bozan kilit kirleticilerden biri olarak kabul edilmektedir. Bu nedenle hava kalitesinin önceden tahmin edilmesi insanları hava kirliliği konusunda uyarmak ve kontrol etmekte önemli bir rol oynamaktadır. Bu çalışmada Bursa ilindeki Bursa Uludağ Üniversitesi ve Kültürpark istasyonları için saatlik ozon 𝑂3 hava kirleticisinin konsantrasyon değerleri makine öğrenmesi algoritmalarıyla tahmin edilmiştir. Veriler Çevre, Şehircilik ve İklim Değişikliği Bakanlığı’nın Ulusal Hava Kalitesi İzleme Ağı sitesinden elde edilmiştir. Tahminleme modeli kurulurken kirletici ve meteorolojik veriler (hava sıcaklığı, rüzgar hızı, bağıl nem ve hava basıncı) kullanılmıştır. Kullanılan makine öğrenmesi regresyon algoritmaları; rastgele orman, karar ağacı, destek vektör, k-en yakın komşu ve çok katmanlı algılayıcı regresyonudur. Regresyon algoritmalarının başarı değerleri Kök Ortalama Kare Hatası (KOKH), Ortalama Kare Hata (OKH), Ortalama Mutlak Hata (OMH), Ortalama Mutlak Yüzde Hata (OMYH) ve Açıklayıcılık Katsayısı (𝑅2) ile kıyaslanarak sonuçlar değerlendirilmiştir. İki istasyon için rastgele orman regresyon algoritmasının ozon konsantrasyonlarının tahmininde diğer algoritmalardan daha iyi sonuçlar verdiği görülmüştür.

Air pollution is accepted as a worldwide risk to humans. Prolonged exposure to high levels of ozone pollutants can lead to chronic respiratory diseases such as bronchitis, emphysema, asthma, etc. In addition to its effect on the human body, high levels of ozone also affect the photosynthetic efficiency of crops, resulting in reduced crop yields. In addition, it is recognized as one of the key pollutants that degrade air quality in urban areas. Therefore, predicting air quality previously plays an important role in warning and controlling peoples about air pollution. In this study, hourly ozone air pollutant concentration values in Bursa Uludag University and Kulturpark stations for Bursa province were estimated by machine learning algorithms. The data were obtained from the National air quality monitoring network site of the Ministry of Environment, Urbanization and Climate Change. Pollutant and meteorological data (air temperature, wind speed, relative humidity and air pressure) were used in forecasting model. Random forest, decision tree, support vector, k-nearest neighbor and multilayer perceptron regression were used as the machine learning methods to forecast the 𝑂3 values. The root-mean-square error (RMSE), mean squared error (MSE), mean absolute error (MAE), mean absolute percentage error (MAPE), and coefficient of determination (𝑅2) were used to evaluate the performance of the regression models. It was seen that the random forest regression algorithm for two stations gave better results in estimating ozone concentrations than other algorithms