Measurement, Modeling and Evaluation of Some Air Pollutants in Gaziantep Province

Yıl 2023, Cilt: 13 Sayı: 1, 164 - 178, 30.06.2023

Gökhan Yaman , Selman Türkeş , Hakan Güney , Ahmet Enver Sıvacı , Bülent Sarı , Olcayto Keskinkan

Öz

Poor air quality has harmful effects on human health and determination of pollutant levels in the air is important for human health
and the environment. The main purposes of this study are analyzing the winter air pollution of Gaziantep province in terms of some
parameters (NO2 and SO2) and the discussing the necessary precautions to be taken. In this context, 5 passive samplings were made at
each of the 30 points determined between 2015-2020. Statistical analyzes of the measurement results were made using the SPSS 17.0
V. program and it was determined that there were significant relationships between the results. FWhile sigmoid, logistic, gompertz, sınırlaand
linear models were developed with SigmaPlot Version 11.0 software, future predictions of pollutant values were made using linear
artificial neural network (ANN) and non-linear artificial neural network (NARX-ANN) in MATLAB R2020a program. In the NO2
and SO2 estimations made for 2040, the most reliable results were obtained with the linear model, and the pollutant concentrations
were calculated as 50.91 µg/m3 (R2 =0.9999) and 168.48 µg/m3 (R2=0.9762), respectively. Among the models developed with artificial
neural networks, NARX-ANN Bayesian regulation algorithm was found to be more suitable and reliable for predictions (R2=0.8785
for NO2, R2=0.9021 for SO2). Although it has a lower R2 than the linear model, the NARX-ANN model is considered to be more
meaningful because it also considers meteorological data in forecast calculations. At the end of the study, suggestions were presented
for the improvement and sustainability of Gaziantep’s air quality. These are the homogeneous distribution of population density by
urban transformation and city planning, the creation of infrastructures such as public transportation that will reduce traffic density, the
increase of incentives and grants for alternative clean fuels, and the establishment of a smart city concept integrating information and
communication technologies and fixed/mobile measurement sensors.

Anahtar Kelimeler

NO2, SO2, Passive sampling, Modeling, Neural network, Gaziantep

Gaziantep İlinde Bazı Hava Kirleticilerinin Ölçümü, Modellenmesi ve Değerlendirilmesi

Öz

Kötü hava kalitesinin insan sağlığı üzerinde zararlı etkileri vardır ve havadaki kirletici düzeylerinin belirlenmesi insan sağlığı ve çevre
için önemlidir. Bu çalışmanın temel amacı, Gaziantep ilinin kış hava kirliliğini bazı parametreler (NO2 ve SO2) açısından analiz
etmek ve alınması gereken önlemleri tartışmaktır. Bu kapsamda 2015-2020 yılları arasında belirlenen 30 noktanın her birinde 5
adet pasif örnekleme yapılmıştır. Ölçüm sonuçlarının istatistiksel analizleri SPSS 17.0 V. programı kullanılarak yapılmış ve sonuçlar
arasında anlamlı ilişkiler olduğu belirlenmiştir. SigmaPlot Versiyon 11.0 yazılımıyla sigmoid, lojistik, gompertz ve lineer modeller
geliştirilirken, MATLAB R2020a programında ise lineer yapay sinir ağı (ANN) ve lineer olmayan yapay sinir ağı (NARX-ANN)
kullanılarak kirletici değerlerinin gelecek tahminleri gerçekleştirilmiştir. 2040 yılı için yapılan NO2 ve SO2 tahminlerinde en güvenilir
sonuçlar lineer model ile elde edilmiş olup, kirletici konsantrasyonları sırasıyla 50,91 µg/m3 (R2=0,9999) ve 168,48 µg/m3 (R2=0,9762)
olarak hesaplanmıştır. Yapay sinir ağları ile geliştirilen modellerden NARX-ANN Bayesian düzenleme algoritmasının tahminler
için daha uygun ve güvenilir olduğu görülmüştür (NO2 için R2=0,8785, SO2 için R2=0,9021). Lineer modele göre daha düşük R2
değerine sahip olmasına rağmen, NARX-ANN modeli tahmin hesaplamalarında meteorolojik verileri de dikkate aldığı için daha
anlamlı görülmektedir. Çalışmanın sonunda Gaziantep hava kalitesinin iyileştirilmesi ve sürdürülebilirliği için öneriler sunulmuştur.
Bunlar; kentsel dönüşüm ve şehir planlama ile nüfus yoğunluğunun homojen dağılımı, trafik yoğunluğunu azaltacak toplu ulaşım gibi
altyapıların oluşturulması, alternatif temiz yakıtlara yönelik teşvik ve hibelerin artırılması, bilgi ve iletişimi bütünleştiren akıllı şehir
konseptinin, iletişim teknolojileri ve sabit/mobil ölçüm sensörlerinin kurulmasıdır.

Anahtar Kelimeler

NO2, SO2, Pasif örnekleme, Modelleme, Yapay sinir ağı, Gaziantep

Kaynakça

• Akben, İ., Demirer, Y. 2018. Lojistik sektöründe çevreci araç uygulamaları. Türk Sosyal Bilimler Araştırmaları Dergisi, 3 (2), 47-56. Hasan Kalyoncu Üniversitesi.
• Akbulut, İ., Özcan, B. 2020. Hava kirliliği tahmini: yapay sinir ağları ve regresyon yöntemleriyle bir karşılaştırma. Kocaeli Üniversitesi Fen Bilimleri Dergisi, 3(1), 12-22.
• Akyürek, Ö. 2012. Trabzon kent merkezi için hava kirliliği ile meteorolojik koşullar arasındaki ilişkinin 2006-2011 arası verilerine dayalı olarak incelenmesi. Yüksek Lisans Tezi, KTÜ Fen Bilimleri Enstitüsü, 157 s.
• Amini, A., Başlamışlı, Ç., İnce, BC. 2017. Elektrikli/hibrit otobüslerin enerji yöntemi algoritmalarının optimal kontrol yöntemleriyle tasarlanması: Ankara şehri için bir örnek durum incelemesi ve maliyet analizi, https://www.researchgate.net/ profile/Selahattin_Baslamisli/publication/321170615.
• Arabacı M., Bayram M., Yüceer, M., Karadurmuş, E. 2010. Tuğla ve kiremit fabrikalarının hava kirliliğine katkılarının yapay sinir ağı modellemesi ile araştırılması. 9. Ulusal Kimya Mühendisliği Kongresi, s. 727–728, Ankara.
• Arhami, M., Kamali, N., Rajabi, MM. 2013. Predicting hourly air pollutant levels using artificial neural networks coupled with uncertainty analysis by Monte Carlo simulations. Environmental Science and Pollution Research, 20(7), 4777– 4789. http://dx.doi.org/10.1007/ s11356-012-1451-6.
• ASCE Task Committee on Application of Artificial Neural Networks in Hydrology, 2000. Artificial neural networks in hydrology. I: preliminary concepts. Journal of Hydrologic Engineering, 5(2), 115–123. https://doi.org/10.1061/ (ASCE)1084-0699(2000)5:2(115)
• Asgari, G., Shabanloo, A., Salari, M., & Eslami, F. 2020. Sonophotocatalytic treatment of AB113 dye and real textile wastewater using ZnO/persulfate: Modeling by response surface methodology and artificial neural network. Environmental Research, 184, 109367. https://doi.org/10.1016/j.envres. 2020.109367.
• Aydoğdu, Ç. 2021. Yenilenebilir enerji sektöründe ve enerji verimliliğinde kamusal destekler ve türkiye’de yansımaları. Akademik İzdüşüm Dergisi, 6(1), 52-74 ISSN:2547-9725.
• Ayturan, YA., Öztürk, A., Ayturan, ZC. 2017. Modelling of pm10 pollution in karatay district of konya with artificial neural networks. J. Int. Environmental Application & Science, 12(3), 256-263.
• Bararpour, ST., Feylizadeh, MR., Delparish, A., Qanbarzadeh, M., Raeiszadeh, M., Feilizadeh, M. 2018. Investigation of 2-Nitrophenol solar degradation in the simultaneous presence of K2S2O8 and H2O2: using experimental design and artificial neural network. Journal Of Cleaner Production, 176, 1154-1162. https://doi.org/10.1016/j.jclepro.2017.11.191
• Battista, G. 2017. Analysis of the air pollution sources in the city of rome (Italy). Energy Procedia, 126, 392-397. https://doi. org/10.1016/j.egypro.2017.08.271
• Benramdane, I. K., Nasrallah, N., Amrane, A., Kebir, M., Trari, M., Fourcade, F., ... & Maachi, R. 2021. Optimization of the artificial neuronal network for the degradation and mineralization of amoxicillin photoinduced by the complex ferrioxalate with a gradual and progressive approach of the ligand. Journal of Photochemistry and Photobiology A: Chemistry, 406, 112982. https://doi.org/10.1016/j. jphotochem.2020.112982
• Bishop, CM. 1995. Neural networks for pattern recognition. Oxford University Press. ISBN: 0 19 853864 2
• Borrego, C., Monteiro, A., Ferreira, J., Miranda, AI., Costa, AM., Carvalho, AC., Lopes, M. 2008. Procedures for estimation of modelling uncertainty in air quality assessment. Environment International, 34, 613–620. http://dx.doi. org/10.1016/j.envint.2007.12. 005.
• Boussaada, Z., Curea, O., Remaci, A., Camblong, H., & Mrabet Bellaaj, N. 2018. A nonlinear autoregressive exogenous (NARX) neural network model for the prediction of the daily direct solar radiation. Energies, 11(3), 620. https://doi. org/10.3390/en11030620.
• Bozkurt, Z., Üzmez, ÖÖ., Döğeroğlu, T., Artun, G., & Gaga, EO. 2018. Atmospheric concentrations of SO2, NO2, ozone and VOCs in Düzce, Turkey using passive air samplers: sources, spatial and seasonal variations and health risk estimation. Atmospheric Pollution Research, 9(6), 1146-1156. https://doi. org/10.1016/j.apr.2018.05.001
• Bülbül, ES. 2000. Çoklu karşılaştırma testleri ve bir örnek uygulama. Öneri Dergisi, 3(14), 95-100. Cabaneros, SM., Hughes, B. 2022. Methods used for handling and quantifying model uncertainty of artificial neural network models for air pollution forecasting. Environmental Modelling and Software, 158, 105529. https://doi.org/10.1016/j. envsoft.2022.105529.
• Cadenas, E., Rivera, W., Campos-Amezcua, R., Heard, C. 2016. Wind speed prediction using a univariate ARIMA model and a multivariate NARX model. Energies, 9(2), 109. https://doi.org/10.3390/en9020109.
• Cansaran, D. 2017. Bir çevre sorunsalı olarak hava kirliliği: Kırıkkale ili örneği. Bingöl Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 7(7), 16. https://doi.org/10.29029/busbed.336094 Cox, RM. 2003. The use of passive sampling to monitor forest exposure to O3, NO2 and SO2: a review and some case studies. Environ Pollution, 126: 301-311. DOI:10.1016/s0269- 7491(03)00243-4.
• Di Nunno, F., Granata, F. 2020. Groundwater level prediction in apulia region (Southern Italy) using NARX neural network. Environmental Research, 190, 110062. https://doi. org/10.1016/j.envres.2020.110062
• Doğan, F., Kitapçıoğlu, G. 2007. İzmir ilinde hava kirliliğinin yıllar itibariyle karşılaştırılması. Ege Tıp Dergisi, 46, 129-133.
• Dokuz, Y., Bozdağ, A., Gökçek, ÖB. 2020. Hava kalitesi parametrelerinin tahmini ve mekansal dağılımı için makine öğrenmesi yöntemlerinin kullanılması. NÖHÜ Müh. Bilim. Derg., 9(1), 37-47, ISSN: 2564-6605.
• Elmolla, ES., Chaudhuri, M., Eltoukhy, MM., 2010. The use of artificial neural network (ANN) for modeling of COD removal from antibiotic aqueous solution by the Fenton process. Journal Of Hazardous Materials 179(1-3), 127-134. https://doi.org/10.1016/j.jhazmat.2010.02.068
• Erdem, F. 2019. S. Cerevisiae ile Remazol Sarı (Rr) giderimine yapay sinir ağı (YSA) yaklaşımı. Uludağ University Journal Of The Faculty Of Engineering, 24(2), 289-298. https://doi. org/10.17482/uumfd.461122.
• Fırat, Y., 2020. NARX modellerini kullanarak hava kalitesi tahmin analizinin uygulanması. Gümüşhane Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 10(2), 442-455. DOI: 10.17714/ gumusfenbil.605649
• Freeman BS., Taylor G., Gharabaghi B., Thé J. 2018. Forecasting air quality time series using deep learning. Journal of the Air & Waste Management Association, 68, 866-886, https://doi.org/10 .1080/10962247.2018.1459956.
• GAZDAŞ, 2022. 2021 entegre faaliyet raporu. Zorlu Enerji, 344 Sayfa. https://www.zorluenerji.com.tr/uploads/pdf/pdflist/ yillik-faaliyet-raporu-20.pdf (Erişim tarihi 01.05.2022).
• Gaziantep Çevre Durum Raporu, 2020. Gaziantep Çevre ve Şehircilik İl Müdürlüğü, 141 sayfa. https://webdosya. csb.gov.tr/db/ced/icerikler/gaz-antep_2019_-cdr_son- 20210108090747.pdf. (Erişim tarihi: 15.12.2022)
• Gholizadeh, AM., Zarei, M., Ebratkhahan, M., & Hasanzadeh, A. 2021. Phenazopyridine degradation by electro-Fenton process with magnetite nanoparticles-activated carbon cathode, artificial neural networks modeling. Journal of Environmental Chemical Engineering, 9(1), 104999. https:// doi.org/10.1016/j.jece.2020.104999
• Greenpeace, 2019. https://www.greenpeace.org. https://www. greenpeace.org/static/planet4-turkey-stateless/f3bcd604- greenpeace-afsin-maras-hava-olcum-raporu-2020.pdf. (Erişim tarihi: 20.12.2022).
• GSO (Gaziantep Sanayi Odası), 2022. Sanayi bölgeleri. https://gso.org.tr/tr/genel-sayfa/gaziantep-sanayisi/sanayibolgeleri- 56.html, 2022. (Erişim tarihi 01.05.2022).
• Gümrükçüoğlu, M., Soylu, S. 2011. Adapazarı’nda ısınma kaynaklı hava kirliliğinin incelenmesi. TMMOB Coğrafi Bilgi Sistemleri Kongresi, Antalya. Havlicek, LL., Peterson, NL. 1977. Effect of the violation of assumptions upon significance levels of the Pearson r. Psychological Bulletin, 84(2), 373-377. https://doi. org/10.1037/0033-2909.84.2.373.
• Heidari, E., Daeichian, A., Sobati, MA., Movahedirad, S. 2020. Prediction of the droplet spreading dynamics on a solid substrate at ırregular sampling ıntervals: nonlinear auto-regressive exogenous artificial neural network approach (NARX-ANN). Chemical Engineering Research and Design, 156, 263-272, DOI: 10.1016/j.cherd.2020.01.033.
• P., Mangia C., Marra, GP., Comite, V., Rizza, U., Uricchio, VF., Fermo, P. 2019. Outdoor spatial distribution and ındoor levels of NO2 and SO2 ın a high environmental risk site of the south Italy. Science of The Total Environment, 648, 787-797. https://doi.org/10.1016/j.scitotenv.2018.08.159.
• Irmak, ME., Aydilek, İB. 2019. Hava Kalite İndeksinin Tahmin Başarısının Artırılması için Topluluk Regresyon Algoritmalarının Kullanılması. Academic Platform Journal of Engineering and Science, 7(3), 507-514. https://doi. org/10.21541/apjes.478038.
• Kalantary, RR., Moradi, M., Pirsaheb, M., Esrafili, A., Jafari, AJ., Gholami, M., Vasseghian, Y., Antolini, E., Dragoi, EN. 2019. Enhanced photocatalytic inactivation of E. coli by natural pyrite in presence of citrate and EDTA as effective chelating agents: experimental evaluation and kinetic and ANN models. Journal Of Environmental Chemical Engineering, 7(1), 102906. https://doi.org/10.1016/j.jece.2019.102906.
• Kara, G. 2016. Konya’daki hava kalitesi, AB ve HKDY standartları ile karşılaştırılması, Selçuk Teknik Dergisi, 15(2), ISSN 1302- 6178.
• Karataş, A., Kılıç, S. 2017. Sürdürülebilir kentsel gelişme ve yeşil alanlar. Journal of Political Sciences, 26(2), 53–78. DOI: 10.26650/siyasal.2017.26.2.0003.
• Kentair, 2013. Gaziantep hava kalitesi değerlendirme raporu. Çevre ve Şehircilik Bakanlığı, s. 85. https://docplayer.biz. tr/8822858-Kentlerde-hava-kalitesinin-gelistirilmesi-projesikentair- gaziantep-hava-kalitesi-degerlendirme-raporu.html (Erişim tarihi 01.05.2022).
• Kocaman, Ö. 2010. Erzurum’da pasif örnekleme yöntemiyle alansal hava kalitesinin tahmini. Yüksek Lisans Tezi, Atatürk Üniversitesi, s. 58.
• Kunt, F. 2014. Bulanık mantık ve yapay sinir ağları yöntemleri kullanılarak Konya il merkezi hava kirliliği modellenmesi. Doktora Tezi, Selçuk Üniversitesi, s. 151.
• Li, X., Hussain, SA., Sobri, S., & Said, MSM. 2021. Overviewing the air quality models on air pollution in Sichuan Basin, China. Chemosphere, 271, 129502. https://doi.org/10.1016/j. chemosphere.2020.129502
• Liu, H., Yan, G., Duan, Z., Chen, C. 2021. Intelligent modeling strategies for forecasting air quality time series: A review. Applied Soft Computing Journal, 102, 106957. https://doi. org/10.1016/j.asoc.2020.106957.
• Masood A., Ahmad K. 2021. A review on emerging artificial intelligence (AI) techniques for air pollution forecasting: Fundamentals, application and performance. Journal of Cleaner Production, 322, 129072. https://doi.org/10.1016/j. jclepro.2021.129072.
• Mathworks, 2020. MATLAB Deep Learning Toolbox Release 2020a. Natick, Massachusetts, United States.
• Ng, KY., Awang. N. 2018. Multiple linear regression and regression with time series error models in forecasting PM10 concentrations in Peninsular Malaysia. Environmental Monitoring and Assessment, 190, 63. https://doi.org/10.1007/ s10661-017-6419-z.
• Oda, V., Korkmaz, M., Özkurt, E. 2016. Büyüme eğrilerinin tahmininde kullanılan bazı sigmoidal modeller ve elde edilen biyolojik parametreler: Bertalanffy modeli örneği. Ordu Üniv. Bil. Tek. Derg., 6(1), 54-66.
• Özden, Ö., Yay, OD., Altuğ, H., Gaga, E., Demirel, G., Öğeroğlu, D., Örnektekin, S., Meliefste, K., Doorn, WV. 2008. Eskişehir’de hava kirliliği ön değerlendirme çalışmalarının pasif örnekleme yöntemiyle gerçekleştirilmesi. Hava Kirliliği ve Kontrolü Ulusal Sempozyumu, s. 631-642, Hatay.
• Polat, N. 2016. Kütahya bölgesinde inorganik kirleticilerin alansal dağılımlarının ve mevsimsel değişimlerinin pasif örnekleme metodu ile belirlenmesi. Yüksek Lisans Tezi. Eskişehir Anadolu Üniversitesi, s. 115.
• Radwan, M., Alalm, MG., & Eletriby, H. 2018. Optimization and modeling of electro-Fenton process for treatment of phenolic wastewater using nickel and sacrificial stainless steel anodes. Journal of Water Process Engineering 22, 155-162. https://doi.org/10.1016/j.jwpe.2018.02.003.
• Rosario, L., Pietro, M., Francesco, SP. 2016. Comparative analyses of urban air quality monitoring systems: passive sampling and continuous monitoring stations. Energy Procedia, 101, 321 – 328. https://doi.org/10.1016/j.egypro.2016.11.041
• Sabour, MR., Amiri, A. 2017. Comparative study of ANN and RSM for simultaneous optimization of multiple targets in Fenton treatment of landfill leachate. Waste management, 65, 54-62. https://doi.org/10.1016/j.wasman.2017.03.048.
• Sarı, B., Türkes, S., Güney, H., Keskinkan, O., 2022. The Utilization and Modeling of Photo-Fenton Process as a Single Unit in Textile Wastewater Treatment. Clean – Soil, Air, Water, 2100328. https://doi.org/10.1002/clen.202100328.
• Sarı, MF., Esen, F. 2019. PM10 ve SO2 konsantrasyonları ve meteorolojik parametrelerin konsantrasyonlar üzerine etkileri. NÖHÜ Mühendislik Bilimleri Dergisi, 8(2), 689-697. Doi: 10.28948/Ngumuh.598226.
• Sümer, ÇG. 2014. Hava kirliği kontrolü: Türkiye’de hava kirliliğini önlemeye yönelik yasal düzenlemelerin ve örgütlenmelerin incelenmesi. Uluslararası İktisadi ve İdari Akademik Araştırmalar Dergisi, 7(13), 38-56, ISSN 1307-9832
• Şenoğlu, B., Acıtaş, Ş. 2010. İstatistiksel deney tasarımı: sabit etkili modeller. Nobel Yayın Dağıtım, s. 22, İstanbul. Talwar, S., Verma, AK., Sangal, VK. 2019. Modeling and optimization of fixed mode dual effect (photocatalysis and photo- Fenton) assisted Metronidazole degradation using ANN coupled with genetic algorithm. Journal of Environmental Management 250, 109428. https://doi.org/10.1016/j.jenvman. 2019.109428
• TS EN 13528- 2022. Laboratuarlararası karşılaştırma ile yeterlilik deneyinde kullanılan istatistiksel yöntemleri, https://intweb. tse.org.tr/Standard/Standard/Standard.aspx.
• TÜİK, 2019. İstatistik veri portalı, nufüs ve demografi verileri, https://data.tuik.gov.tr/Kategori/GetKategori?p=nufus-vedemografi- 109&dil=1, (Erişim Tarihi, 01.05.2022).
• UAB (Ulaştırma ve Altyapı Bakanlığı), 2020. Ulaşımda ve iletişimde gaziantep raporu. s. 55. https://www.uab.gov.tr/ uploads/cities/gaziantep/27-gaziantep.pdf. (Erişim tarihi 01.05.2022).
• Üzmez, Ö., Ercan, Ö., Gaga, E., Döğeroğlu, T. 2017. İnorganik (NO2, SO2 ve O3) pasif örnekleyici sonuçlarının saha koşullarında otomatik analizör verileriyle karşılaştırılması. VII. Ulusal Hava Kirliliği ve Kontrolü Sempozyumu, s. 9. WWF (World Wildlife Fund), 2022. İklim değişikliği ve enerji. https://www.wwf.org.tr/ne_yapiyoruz/iklim_degisikligi_ve_ enerji/iklim_degisikligi.
• Yetkin, M., Kim, Y. 2019. Time series prediction of mooring line top tension by the NARX and Volterra model. Applied Ocean Research, 88, 170-186. https://doi.org/10.1016/j. apor.2019.04.013.
• Yorkor, B., Leton, TG., Ugbebor, JN. 2017. Prediction and modeling of seasonal concentrations of air pollutants in semiurban region employing artificial neural network ensembles. International Journal of Environment And Pollution Research, 5(3), 1-18.
• Yüksek, AG., Bircan, H., Zontul, M., Kaynar, O. 2007. Sivas ilinde yapay sinir ağları ile hava kalitesi modelinin oluşturulması üzerine bir uygulama. C.Ü. İktisadi ve İdari Bilimler Dergisi, 8(1), 97- 112.
• Zang, Y., Bocquet, M., Mallet, V., Seigneur, C., Baklanov, A. 2012. Real-time air quality forecasting, part I: History, techniques, and current status. Atmospheric Environment, 60, 632–655. https://doi.org/10.1016/j.atmosenv.2012.06.031
• Zhang, T., Barthorpe, RJ., Worden, K. 2020. On treed gaussian processes and piecewise-linear NARX modelling. Mechanical Systems And Signal Processing, 144, 106877. https://doi. org/10.1016/j.ymssp.2020.106877.