Makine Öğrenmesi Algoritmaları Kullanılarak Türkiye ve AB Ülkelerinin CO2 Emisyonlarının Tahmini

Year 2022, Issue: 37, 42 - 46, 15.07.2022

Serpil Gumustekin Aydın , Gül Aydoğdu

https://doi.org/10.31590/ejosat.1129958

Cited By: 1

Abstract

Özellikle 20. ve 21. yüzyıllarda sanayi devriminin hızlanması ve bundan dolayı Dünya’nın küresel ısınması ile sıcaklık miktarlarının artması, yeryüzünde mevsimlerin döngü ve şiddetlerinin değişmesine sebep olmuştur. Hayatın her alanında ihtiyaç duyulan enerji kullanımının artması, özellikle de fosil yakıtlara yönelim, sera gazları arasında önemli bir paya sahip olan CO2’nin salınımının artmasına ve iklim değişikliklerine neden olmuş ve olmaya da devam etmektedir. Dolayısıyla Dünya üzerindeki tüm ülkeler için insan faaliyetlerinden kaynaklı CO2 emisyon miktarlarının yönetimi, takibi ve tahlili önem kazanmıştır. Bu çalışmada, iklim değişikliği ile ilişkili sera gazı olan CO2’nin Türkiye ve AB ülkelerinin tahmini ve eğilimlerinin irdelenmesi hedeflenmiştir. Bu hedef doğrultusunda, makine öğrenmesi algoritmalarından karar ağacı modellemesi, yapay sinir ağları ve destek vektör makineleri kullanılarak enerji elde edilirken ortaya çıkan CO2 salınım miktarları için tahmin yapılmıştır. Makine öğrenme metotlarının başarı performansı karar ağacı modellemesi skor değeri, ortalama hata karesi (MSE) ve ortalama hata karesinin kökü (RMSE) kullanılarak değerlendirilmiştir. Ülkeler için 2010–2019 yıllarındaki nüfus, CO2 emisyon miktarı, enerji tüketim miktarları kullanılarak, destek vektör makineleri (DVM) ile yapay sinir ağları (YSA) metotları uygulanmış ve tahminler yapılmıştır. Sonuçlara göre DVM yönteminin, YSA yöntemine göre daha başarılı sonuçlar verdiği tespit edilmiştir. Avrupa Birliği ülkelerine toplu olarak bakıldığında, CO2 emisyon miktarının azalarak arttığı yani artış hızının azaldığı görülmüştür. Ayrıca Almanya, Hollanda, İtalya, Fransa ülkelerinde CO2 emisyon miktarlarında azalma beklenmektedir. Türkiye için ise durum farklıdır. Türkiye’de 2010-2019 yılları arasındaki karbondioksit salınım miktarı her yıl artmakta olup önümüzdeki yıllarda da alternatif, CO2 salınımı olmayan enerji kaynaklarına yönelinmez ise bu artışın devam edeceği yapılan çalışmada görülmüştür.

Keywords

Makine Öğrenmesi, Emisyon, Destek Vektör Makineleri, Karar Ağacı, Yapay Sinir Ağları

CO2 Emissions in Turkey and EU Countries Using Machine Learning Algorithms

Abstract

Especially in the 20th and 21st centuries, the acceleration of the industrial revolution, the global warming of the world, and the increase in the amount of temperature caused the cycles and intensities of the seasons on earth to change. The increase in the use of energy needed in all areas of life, especially the orientation to fossil fuels, has caused and continues to cause an increase in the emission of CO2, which has an important share among greenhouse gases, and climate changes. Therefore, the management, follow-up, and analysis of CO2 emissions caused by human activities have gained importance for all countries in the world. This study, it is aimed to examine the estimation and trends of CO2, a greenhouse gas associated with climate change, in Turkey and EU countries. In line with this goal, an estimation was made for CO2 emissions that occur when energy is obtained by using decision tree modeling, artificial neural networks, and support vector machines from machine learning algorithms. Success performance of machine learning methods was evaluated using decision tree modeling score value, mean square error (MSE) and root mean square error (RMSE). Support vector machines (SVM) and artificial neural networks (ANN) methods were applied, and estimations were made by using the population, CO2 emission amount, and energy consumption amount for the countries in the years 2010-2019. According to the results, it has been determined that the SVM method gives more successful results than the ANN method. When the European Union countries are considered as a whole, it has been observed that the amount of CO2 emissions have decreased and increased, that is, the rate of increase has decreased. In addition, reductions in CO2 emissions are expected in Germany, the Netherlands, Italy, and France. For Turkey, the situation is different. The amount of carbon dioxide emissions between 2010-2019 in Turkey is increasing every year, and it has been seen in the study that this increase will continue if alternative energy sources that do not emit CO2 are not used in the coming years.

Keywords

Machine Learning, Emission, Support Vector Machines, Decision Tree, Artificial Neural Networks

References

• IEA 2020: https://www.iea.org/reports/world-energy-outlook-2020
• Küresel İklim Durumu 2020; https://www.mgm.gov.tr/FILES/Haberler/2021/WMO-
• Aktan, E. (2018). Büyük veri: Uygulama alanları, analitiği ve güvenlik boyutu. Bilgi Yönetimi, 1(1), 1-22.
• Garip, E. (2017). OECD ülkelerindeki karbondioksit (co2) emisyonunun makine öğrenmesi ile tahmin edilmesi (Master's thesis, Fen Bilimleri Enstitüsü).
• Sözen, Adnan & Gülseven, Zafer & Arcaklıoğlu, Erol, 2007. " Türkiye'de sera gazlarının sektörel enerji tüketimine dayalı tahmin ve azaltım politikaları" Energy Policy, Elsevier, vol. 35(12), sayfa 6491-6505, Aralık.
• Yılmaz, H., & Yılmaz, M. (2013). Forecasting CO2 emissions for Turkey by using the grey prediction method. Sigma, 31, 141-148.
• Papuçcu, H. ve Bayramoğlu, T. (2016). Yapay Sinir Ağları ile CO2 Tahmini: Türkiye Örneği, İktisadi İdari Bilimler Dergisi, 18, s. 762–778.
• Behdioğlu, S., & Çelik, F. (2016). Ar-Ge Harcamalaeri Ve Emisyonu: Yapay Sinir Aği Yaklaşimi. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 136-150.
• Kılınç, E. C., & Altıparmak, H. (2020). Çevre Vergilerinin Co2 Emisyonu Üzerindeki Etkisi Üzerine Bir Uygulama.Odü Sosyal Bilimler Araştırmaları Dergisi(ODÜSOBİAD), 10(1), 217-227.
• Alpaydin, E. (2021). Machine learning. MIT Press.
• Elmas, Ç. (2007), Yapay Zeka Uygulamaları, Ankara, Seçkin Yayıncılık
• Ergezer, H., Dikmen, M., & Özdemir, E. (2003). Yapay sinir ağları ve tanıma sistemleri. PiVOLKA, 2(6), 14-17.
• Noble, W. S. (2006). What is a support vector machine?. Nature Biotechnology, 24(12), 1565-1567.
• Brijain, M., Patel, R., Kushik, M. R., & Rana, K. (2014). A survey on decision tree algorithm for classification. International Journal of Engineering Development and Research, 2(1), ISSN:2321 – 9939.