Air Quality of Bursa: Temporal and Spatial Evaluation of PM10, PM2.5, NO2 and SO2 Pollutants Using IDW Geostatistical Technique

Abstract

One of the most significant environmental issues is air pollution. Human health is negatively impacted by this issue in addition to the environment. In this study, spatial and temporal analysis of particulate matter 10 (PM10), particulate matter 2.5 (PM2.5), sulfur dioxide (SO2) and nitrogen dioxide (NO2) pollutants for 2022 was conducted within the provincial borders of Bursa, Turkey. The monthly and seasonal air pollution maps have been generated using 24-hour measurements obtained from air quality monitoring stations within the city. Data for PM10, PM2.5, SO2, and NO2 were utilized in the creation of these maps. The pollution maps were analyzed based on the criteria outlined in the World Health Organization (WHO) report, as well as the limit values set by the European Union and the national regulations. According to the results obtained, the amount of pollutants in summer is lower than in winter. While PM10 was on average 39.32 μg/m³ in the summer months, it exceeded the national legislation by 3.09% in the winter. When evaluated during the average summer season, the concentrations of PM2.5 and SO2 were observed to be 19.29 μg/m³ and 5.82 μg/m³, respectively. In contrast, during the winter season, the concentrations were found to be 47.30 μg/m³ for PM2.5 and 11.07 μg/m³ for SO2. There is no legal limit for PM2.5 in national legislation. SO2 was found to be below the specified legal regulations. While NO2 was on average 25.13 μg/m³ in the summer months, it exceeded the national legislation by 9.74% in the winter. The main sources of pollutants in the region were examined and according to the findings, factors such as the city being an industrial zone and high traffic density increased the pollutants. The results of this investigation show that air pollution poses a significant issue in Bursa.

Keywords

• Air Quality
• Atmospheric Particulate Matter
• Inverse Distance Weighting
• Temporal Evaluation
• Spatial Evaluation

Bursa'nın Hava Kalitesi: IDW Jeoistatistik Tekniğini Kullanarak PM10, PM2.5, NO2 ve SO2 Kirleticilerinin Zamansal ve Mekansal Değerlendirilmesi

Abstract

En önemli çevresel sorunlardan biri hava kirliliğidir. Bu sorun, çevreye ek olarak insan sağlığını da olumsuz etkilemektedir. Bu çalışmada, Türkiye'nin Bursa ili sınırları içinde 2022 yılına ait partikül madde 10 (PM10), partikül madde 2.5 (PM2.5), kükürtdioksit (SO2) ve azotdioksit (NO2) kirleticilerinin mekânsal ve zamansal analizi yapılmıştır. Şehirdeki hava kalitesi izleme istasyonlarından elde edilen 24 saatlik ölçümler kullanılarak aylık ve mevsimlik hava kirliliği haritaları oluşturulmuştur. Bu haritaların oluşturulmasında PM10, PM2.5, SO2 ve NO2 verileri kullanılmıştır. Kirlilik haritaları, Dünya Sağlık Örgütü (WHO) raporunda belirtilen kriterler ile Avrupa Birliği ve ulusal mevzuat tarafından belirlenen sınır değerler baz alınarak analiz edilmiştir. Elde edilen sonuçlara göre, yaz aylarında kirletici miktarı kış aylarına göre daha düşüktür. Yaz aylarında PM10 ortalama olarak 39.32 μg/m³ iken, kış aylarında ulusal mevzuatı %3.09 oranında aşmıştır. Ortalama yaz mevsiminde değerlendirildiğinde, PM2.5 ve SO2 konsantrasyonları sırasıyla 19.29 μg/m³ ve 5.82 μg/m³ olarak gözlemlenmiştir. Buna karşılık, kış mevsiminde PM2.5 ve SO2 konsantrasyonları sırasıyla 47.30 μg/m³ ve 11.07 μg/m³ olarak bulunmuştur. PM2.5 için ulusal mevzuatta yasal bir sınır bulunmamaktadır. SO2'nin belirlenen yasal mevzuatın altında olduğu tespit edilmiştir. NO2 yaz aylarında ortalama olarak 25.13 μg/m³ iken, kış aylarında ulusal mevzuatı %9.74 oranında aşmıştır. Bölgedeki kirleticilerin ana kaynakları incelenmiş ve bulgulara göre şehrin sanayi bölgesi olması ve yüksek trafik yoğunluğu gibi faktörlerin kirleticileri artırdığı belirlenmiştir. Bu araştırmanın sonuçları, Bursa'da hava kirliliğinin önemli bir sorun teşkil ettiğini göstermektedir.

Keywords

• Hava Kalitesi
• Atmosferik Partikül Madde
• Ters Mesafe Ağırlıklandırma
• Zamansal Değerlendirme
• Mekânsal Değerlendirme

References

1. Albayrak, B. (2023). Türkiye'de zeytin üretiminin kümeleme yöntemi ile analizi [Yüksek lisans tezi, Bursa Uludağ Üniversitesi]. YÖK Ulusal Tez Merkezi. https://tez.yok.gov.tr/UlusalTezMerkezi
2. Altıkat, A., Torun, F. E., & Bayram, T. T. (2011). Küresel kirlilik: Dünya, Avrupa Birliği ve Türkiye’de hava kirliliği örneği. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, 27(2), 134–149.
3. Arikan, D., & Yildiz, F. (2023). Investigation of Antalya forest fire's impact on air quality by satellite images using Google earth engine. Remote Sensing Applications: Society and Environment, 29, Article 100922. https://doi.org/10.1016/j.rsase.2023.100922
4. Arıkan, D., Yıldız, F., & Makineci, H. B. (2021). Hava lidari verilerine uygulanan farklı enterpolasyon yöntemlerinin SAM doğruluğuna etkisi. Konya Journal of Engineering Sciences, 9(2), 377–394. https://doi.org/10.36306/konjes.850250
5. Aydinoğlu, A. Ç., Bovkir, R., & Bulut, M. (2022). Akıllı şehirlerde büyük coğrafi veri yönetimi ve analizi: hava kalitesi örneği. Geomatik, 7(3), 174–186. https://doi.org/10.29128/geomatik.938855
6. Bayrı, F. (2023). Ankara Şehrinde Hava Kirlenmesi. Bulletin of the Mineral Research and Exploration, 63(1964), 64–74.
7. Bozdağ, A., Dokuz, Y., & Gökçek, Ö. B. (2020). Spatial prediction of PM10 concentration using machine learning algorithms in Ankara, Turkey. Environmental Pollution, 263, Article 114635. https://doi.org/10.1016/j.envpol.2020.114635
8. Bugdayci, I., Ugurlu, O., & Kunt, F. (2023). Spatial analysis of SO2, PM10, CO, NO2, and O3 pollutants: the case of Konya province, Turkey. Atmosphere, 14(3), Article 462. https://doi.org/10.3390/atmos14030462

9. Chang, F. J., Chang, L. C., Kang, C. C., Wang, Y. S., & Huang, A. (2020). Explore spatio-temporal PM2. 5 features in northern Taiwan using machine learning techniques. Science of the Total Environment, 736, Article 139656. https://doi.org/10.1016/j.scitotenv.2020.139656
10. Demirarslan, K., & Akıncı, H. (2016a). Doğu Karadeniz Bölgesindeki partikül madde dağılımlarının coğrafi bilgi sistemleri yardımıyla belirlenmesi. Doğal Afetler ve Çevre Dergisi, 2(1), 30–45.
11. Demirarslan, K. O., & Akıncı, H. (2016b). Doğu Karadeniz Bölgesinde kükürtdioksit (SO2) dağılımlarının coğrafi bilgi sistemleri yardımıyla belirlenmesi. Doğal Afetler ve Çevre Dergisi, 2(2), 81–99.
12. El Naqa, I., & Murphy, M. J. (2015). What is machine learning?. Springer.
13. Erickson, L. E., Newmark, G. L., Higgins, M. J., & Wang, Z. (2020). Nitrogen oxides and ozone in urban air: A review of 50 plus years of progress. Environmental Progress & Sustainable Energy, 39(6), Article e13484. https://doi.org/10.1002/ep.13484
14. Gokul, P., Mathew, A., Bhosale, A., & Nair, A. T. (2023). Spatio-temporal air quality analysis and PM2. 5 prediction over Hyderabad City, India using artificial intelligence techniques. Ecological Informatics, 76, Article 102067. https://doi.org/10.1016/j.ecoinf.2023.102067
15. Goyal, P., & Kumar, A. (2011). Mathematical modeling of air pollutants: an application to Indian urban city. In D. Popovic (Ed.), Air Quality-Models and Applications (pp. 101–130). InTech. https://doi.org/10.5772/16840
16. Görener, Ö., & Görener, A. (2008). Otomotiv Endüstrisinin Türkiye Ekonomisindeki Yeri: Sektörel Bir İnceleme. Elektronik Sosyal Bilimler Dergisi, 7(26), 306–319.
17. Hashim, M., Kanniah, K., Ahmad, A., Rasib, A., & Ibrahim, A. (2004). The use of AVHRR data to determine the concentration of visible and invisible tropospheric pollutants originating from a 1997 forest fire in Southeast Asia. International journal of remote sensing, 25(21), 4781–4794.
18. Jumaah, H. J., Ameen, M. H., Kalantar, B., Rizeei, H. M., & Jumaah, S. J. (2019). Air quality index prediction using IDW geostatistical technique and OLS-based GIS technique in Kuala Lumpur, Malaysia. Geomatics, Natural Hazards and Risk, 10(1), 2185–2199.
19. Kampa, M., & Castanas, E. (2008). Human health effects of air pollution. Environmental Pollution, 151(2), 362–367.
20. Khan, J., Kakosimos, K., Raaschou-Nielsen, O., Brandt, J., Jensen, S. S., Ellermann, T., & Ketzel, M. (2019). Development and performance evaluation of new AirGIS–a GIS based air pollution and human exposure modelling system. Atmospheric Environment, 198, 102–121. https://doi.org/10.1016/j.atmosenv.2018.10.036
21. Kırbıyık, B. (2023). Antalya ili hava kalitesinin değerlendirilmesi ve 2021 yılı orman yangınlarının etkisinin araştırılması [Yüksek lisans tezi, Konya Teknik Üniversitesi]. YÖK Ulusal Tez Merkezi. https://tez.yok.gov.tr/UlusalTezMerkezi
22. Kumar, A., Dhakhwa, S., & Dikshit, A. K. (2022). Comparative evaluation of fitness of interpolation techniques of ArcGIS using leave-one-out scheme for air quality mapping. Journal of Geovisualization and Spatial Analysis, 6(1), Article 9. https://doi.org/10.1007/s41651-022-00102-4.
23. Makineci, H. B. (2022). İstanbul İli Merkez İlçelerindeki NO2 ve CO Emisyonlarının Uzaktan Algılama ve Yersel İstasyon Verileri Kullanılarak İncelenmesi. Türkiye Uzaktan Algılama Dergisi, 4(2), 62–74. https://doi.org/10.51489/tuzal.1160333
24. Masroor, K., Fanaei, F., Yousefi, S., Raeesi, M., Abbaslou, H., Shahsavani, A., & Hadei, M. (2020). Spatial modelling of PM2. 5 concentrations in Tehran using Kriging and inverse distance weighting (IDW) methods. Journal of Air Pollution and Health, 5(2), 89–96.
25. Ministry of Environment, Urbanization and Climate Change. (2022a). Ministry of Environment, Urbanization and Climate Change National Air Quality Monitoring Network (NAQMN). 20 Haziran 2024'de https://www.havaizleme.gov.tr/ adresinden alındı.
26. Ministry of Environment, Urbanization and Climate Change. (2022b). Air Quality Bulletin September 2023 Report. 10 Kasım 2023'de https://webdosya.csb.gov.tr/db/ced/icerikler/eylul-2023_bulten-raporu-20231110091236.pdf adresinden alındı.
27. Roy, A. (2021). Atmospheric pollution retrieval using path radiance derived from remote sensing data. Journal of Geovisualization and Spatial Analysis, 5, 1–11. https://doi.org/10.1007/s41651-021-00093-8
28. Samal, K. K. R. S., Babu, K. S., & Das, S. K. (2023). Spatial-temporal prediction of air quality by deep learning and kriging interpolation approach. EAI Endorsed Transactions on Scalable Information Systems, 10(5).
29. Shepard, D. (1968, August 27 - 29). A two-dimensional interpolation function for irregularly-spaced data [Conference presentation]. 23rd ACM national conference, New York, United States.
30. Sungur, O., & Yaman, H. (2021). Bölgesel çeşitlilik mi uzmanlaşma mı? İllerin İmalat sanayinde çeşitlilik/uzmanlaşma düzeylerine göre sıralanması. İdealkent, 12(32), 76–94.
31. Suthar, G., Singhal, R. P., Khandelwal, S., Kaul, N., Parmar, V., & Singh, A. P. (2024). Annual and seasonal assessment of spatiotemporal variation in PM2. 5 and gaseous air pollutants in Bengaluru, India. Environment, Development and Sustainability, 26, 20629–20652.
32. Şahin, O., & Kubilay, K. (2023). Bitlis İli, Güroymak ilçesi, Gölbaşı Beldesindeki Anadolu Mandası İşletmelerinde Barınak İçi Karbondioksit (CO2) Emisyonu Üzerine Barınak Hacmi ve Sürü Büyüklüğünün Etkisi. Palandöken Journal of Animal Sciences Technology and Economics, 2(2), 44–52. https://doi.org/10.5152/JASE.2023.1224595
33. Temel, K. (2023). Yeni sınıf hareketleri ve mekânsal etkileri: Bursa örneği. [Doktora tezi, Bursa Uludağ Üniversitesi]. YÖK Ulusal Tez Merkezi. https://tez.yok.gov.tr/UlusalTezMerkezi
34. Turkish Statistical Institute. (2022). Turkish Statistical Institute (TSI). 16 Aralık 2022'de https://www.tuik.gov.tr/ adresinden alındı
35. World Health Organization. (2021). WHO global air quality guidelines: particulate matter (PM2. 5 and PM10), ozone, nitrogen dioxide, sulfur dioxide and carbon monoxide: World Health Organization.
36. World Health Organization. (2022). World Health Organization. 20 Aralık 2024'de https://www.who.int/health-topics/air-pollution#tab=tab_1 adresinden alındı.
37. Willmott, C. J., & Matsuura, K. (1995). Smart interpolation of annually averaged air temperature in the United States. Journal of Applied Meteorology and Climatology, 34(12), 2577–2586.
38. Yağmur, E. Ç. (2022). Atmosferik partikül maddelerin makine öğrenmesi ile tahmini: Beşiktaş, İstanbul Örneği. Konya Journal of Engineering Sciences, 10(4), 807–826. https://doi.org/10.36306/konjes.1082866
39. Yener, İ., & Demirarslan, K. O. (2022). Determining the factors affecting air quality in marmara, turkey, and assessing it using air quality indices. Journal of Natural Hazards and Environment, 8(2), 383–395. https://doi.org/10.21324/dacd.1081167
40. Zencirci, S. A., & Işıklı, B. (2017). Hava kirliliği. ESTÜDAM Halk Sağlığı Dergisi, 2(2), 24–36.
41. Zhou, F., Wang, Y., Liu, J., Yang, X., Hu, Z., Guo, T., Han, Y. (2023). Influence of ship emission control area policy on air quality at Shanghai Port—local and regional perspectives. Ecological indicators, 155, 110951. https://doi.org/10.1016/j.ecolind.2023.110951
42. Zhou, Y., Chang, F. J., Chang, L. C., Kao, I. F., & Wang, Y. S. (2019). Explore a deep learning multi-output neural network for regional multi-step-ahead air quality forecasts. Journal of cleaner production, 209, 134–145. https://doi.org/10.1016/j.jclepro.2018.10.243
43. Zhou, Z. H. (2021). Machine learning. Springer Nature.