Hava Kalitesi Parametreleri (PM10 ve SO2) Kullanılarak Hava Kirliliği Riskli Bölgelerin Zamana Bağlı Konumsal Analizi: Kocaeli İli Örneği
Abstract
Bu çalışmada, Kocaeli İl’inin hava kalitesi parametrelerinin CBS tabanlı konumsal-zamansal sıcak nokta kümeleme analizleri gerçekleştirilerek hava kirliliği açısından riskli bölgeler tespit edilmiştir. Bu bağlamda, Çevre, Şehircilik ve İklim Değişikliği Bakanlığı’nın Ulusal Hava Kalite İzleme Ağın’dan Kocaeli iline ait 2021-2022 yılları arasında kaydedilen Partikül madde (PM10) ve Kükürt dioksit (SO2) hava kalitesi parametreleri aylık ortalama değerler şeklinde temin edilerek düzenlenmiştir, konumla ilişkilendirilmiştir. Çalışmada, öncelikle kullanılan verilerin mekânsal otokorelasyon analizleri yürütülerek kümeleme eğilimi gösterip göstermediği tespit edilmiştir ve analizler için gerekli mesafe değerleri belirlenmiştir. Ardından, klasik nokta kümeleme analizlerinden sıcak nokta analizi (Getis Ord Gi*) ve analizlerde zamanı da esas alan gelişen sıcak nokta analizi (Emerging Hot Spot Analizi) yürütülmüştür. Sonuçlar, gelişen sıcak nokta analizlerinin, klasik sıcak nokta kümeleme analizlerine göre daha kolay ve hızlı bir analiz sağladığını, ayrıca herhangi bir zaman aralığına dayalı analizleri tek bir seferde değerlendirebilmenin kolay yönünü ve farklı konumlarda daha çok hava kirliliği sıcak noktalarının tespit edildiğini ortaya koymuştur.
Keywords
Hava kalitesi, PM10, SO2, CBS, Sıcak nokta analizi, Gelişen sıcak nokta analizi
References
- Ahmadi, H., Argany, M., Ghanbari, A. ve Ahmadi, M. (2022). Visualized spatiotemporal data mining in investigation of Urmia Lake drought effects on increasing of PM10 in Tabriz using Space-Time Cube (2004-2019). Sustainable Cities and Society, 76, 103399.
- Akyürek, Ö., Arslan, O. ve Karademir, A. (2013). SO2 ve PM10 Hava Kirliliği Parametrelerinin CBS ile Konumsal Analizi: Kocaeli Örneği. TMMOB Coğrafi Bilgi Sistemleri Kongresi 2013, 11-13 Kasım 2013, Ankara.
- Briggs, D. (2005). The role of GIS: Coping with Space (And Time) in Air Pollution Exposure Assessment. Journal of Toxicology Environmental Health, Part A, 68(13-14), 1243-61.
- Bozdağ, A., Dokuz , Y. ve Gökçek, O.B. (2020). Spatial prediction of PM10 concentration using machine learning algorithms in Ankara, Turkey. Environmental Pollution, 263, Part A, August 2020, 114635.
- Bozyazı Daylan, E. G. ve İncecik, S. İstanbul’da Coğrafi Bilgi Sistemleri ile Hava Kalitesinin İncelenmesi. itüdergisi/d mühendislik, 1(2), 51-62.
- Çınar, H. (2003). Eskişehir İçin Hava Kirliliği Envanterinin ve CBS Destekli Hava Kirliliği Haritalarının Oluşturulması. Yüksek Lisans Tezi, Anadolu Üniversitesi Fen Bilimleri Enstitüsü, Çevre Mühendisliği Anabilim Dalı, Eskişehir.
- Colak, H. E., Memisoglu, T. ve Bediroglu, G. (2018). Ege Bölgesi için Hava Kirliliği Parametrelerinin (PM10, SO2) Coğrafi Bilgi Sistemleri Yardımıyla Konumsal Analizi. Türkiye Ulusal Jeodezi ve Jeofizik Birliği Bilimsel Kongresi, 30 Mayıs- 02 Haziran 2018, İzmir, Türkiye.
- Cuci, Y ve Ergün Polat, E. (2005). Gaziantep’in Trafik Kaynaklı Hava Kirliliğinin Belirlenmesi. Kahramanmaras Sutcu Imam University Journal of Engineering Sciences, 18(2).
- Demirarslan, K. O. ve Akıncı, H. (2016). Doğu Karadeniz Bölgesinde Kükürtdioksit (SO2) Dağılımlarının Coğrafi Bilgi Sistemleri Yardımıyla Belirlenmesi. Doğal Afetler ve Çevre Dergisi, 2(2), 81-99.
- Demirarslan, K. O ve Akıncı, H. (2018). CBS ve Hava Kalitesi verileri kullanılarak Marmara Bölgesinin Kış sezonunda hava kalitesinin değerlendirilmesi. Artvin Çoruh University, Natural Disasters Application and Research Center, Journal of Natural Hazards and Environment, 4(1), 11-27.
