Türkiye Karayollarındaki Karbondioksit Emisyonunun Yapay Zekâ Yöntemleri ile Tahmini

Year 2023, Volume: 4 Issue: 2, 82 - 101, 14.11.2023

Hande Kocabaş , Fatih Üneş , Bestami Taşar , Ömer Faruk Cansız

Abstract

Günümüzde global bir tehdit olan küresel ısınmaya çevreye yayılan karbondioksit (CO2), Metan (CH4) ve diazot monoksit (N2O) gibi sera gazlarının salınımı neden olmaktadır. Yaşanabilir bir dünya için CO2 emisyon salınımının en aza indirgenmesi önemlidir. Bu çalışmada, karayolu ulaşımından kaynaklanan CO2 emisyonlarının tahmin modelleri geliştirilmiştir. Karayolu emisyonu tahmin modellerinde, Motorlu Kara Taşıt Sayısı (MKTS), Taşıt Kilometre (TK), Yolcu Kilometre (YK) ve Karayolu Uzunluğu (KU) verileri girdi ve çevreye yayılan Karbondioksit Emisyonu (Milyon Ton) çıktı olarak kullanılmıştır. Tahmin modellemeleri için Çoklu Doğrusal Regresyon (ÇDR), Interaction-Çoklu Regresyon (I-ÇR), Quadratik-Çoklu Regresyon (Q-ÇR), Pure Quadratik-Çoklu Regresyonu (PQ-ÇR) Uyarlamalı Sinirsel Bulanık Çıkarım Sistemi (ANFIS) ve Bulanık mantık- Basit üyelik fonksiyonları ve bulanık kurallar oluşturma tekniği (Bulanık SMRGT) yöntemleri kullanılmıştır. Çalışma alanı olarak Türkiye’deki tüm iller ele alınmıştır. 2001-2020 yılları arasındaki yirmi yıllık veri seti kullanılmıştır. Modellerin performansları, determinasyon katsayısı (R2), ortalama mutlak hata (MAE) ve karesel hataların ortalamasının karekökü (RMSE) değerlerine göre karşılaştırılmıştır. Performans değerlerine göre en iyi model Q-ÇR ve PQ-ÇR yöntemleriyle elde edilmektedir.

Keywords

Emisyon, SMGRT, ÇDR, ANFIS

Estimation of Carbon Dioxide Emissions on Turkey's Highways by Artificial Intelligence Methods

Abstract

Global warming, which is a global threat today, is caused by the release of Greenhouse Gases such as Carbon Dioxide (CO2), Methane (CH4) and Diazot monoxide (N2O) emitted into the environment. For a livable world, carbon dioxide emissions are important to minimize. This study has developed an estimation model for the carbon dioxide emissions from road transport. The number of Motor Vehicles (MV), Vehicles Kilometers (VKM), Passenger Kilometers (PKM), length of road (LR) as input and the Carbon Dioxide Emission (Million Tons) released into the environment have been used as output. The methods of Multiple Linear Regression (MLR), Interaction-Multiple Regression (I-MR), Quadratic-Multiple Regression (Q-MR), Multiple Pure Quadratic-Multiple Regression (PQ-MR), Adaptive Neural-Fuzzy Inference Systems (ANFIS) and Simple Membership Functions and Fuzzy Rules Generation Technique (Fuzzy SMRGT) have been applied for the estimation models. All provinces in Turkey are considered as the study area. Twenty years of data set between 2001-2020 is being used. The performances of the models are compared according to values of Coefficient of Determination (R2), Mean Absolute Error (MAE), and Root Mean Square Error (RMSE). According to performance values, the best model is obtained by Q-MR and PQ-MR methods.

Keywords

Emission, SMGRT, MLR, ANFIS.

References

• 1. Dündar AO. Türkiye’deki büyükşehirlerin karayolu ulaşımı kaynaklı sera gazı emisyon miktarının karşılaştırmalı analizi. Artvin Çoruh Üniversitesi Doğal Afetler ve Çevre Dergisi 2021;7(2):318-337.
• 2. Oral O, Uğuz S. Türkiye’deki farklı sektörlere ait sera gazı emisyon değerlerinin çok katmanlı algılayıcılar ve topluluk öğrenmesi yöntemleri ile tahmin edilmesi. Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi 2020;12(2):464-478.
• 3. Kâtip A, Karaer F, Özengin N. Otomotiv sektörünün çevresel açıdan değerlendirilmesi. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi 2014;19(2):51-65.
• 4. Soruşbay C, Ergeneman M, Pekin MA, Kutlar A, Arslan H. Karayolu Ulaşımından Kaynaklanan Sera Gazı Emisyonları: Türkiye’deki Durumun Değerlendirilmesi. 2008.
• 5. Borge R, vd. Comparison of road traffic emission models in Madrid (Spain). 2012; 62:461-471.
• 6. Smit R, Dia H, Morawska L. Road traffıc emıssıon and fuel consumption modelling: Trends New Developments and Future Challenges; 2009: s. 29-68.
• 7. Smit R, Ntziachristos L, Boulter P. Validation of Road vehicle and traffic emission models a review and meta-analysis. Atmospheric Environment 2010; 44(25):2943-2953.
• 8. Ozen M, Tüydeş Yaman H. Türkiye’de şehirlerarası yük trafiği CO2 emisyonlarının tahmini. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi 2013;17(3):56-64.
• 9. Ceylan Z, Bulkan Ş. Türkiye ulaşım kaynaklı enerji ihtiyacının Hibrit ANFIS-PSO metodu ile tahmini. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi 2018;18(2):740-750.
• 10. Ötken B, Gümüşay MÜ. Karayolunda hareket halindeki taşıtların çevreye yaydıkları emisyonların analizi için CSB’de arayüzlerin hazırlanması. Jeodezi ve Jeoinformasyon Dergisi 2010;101(0):91-95.
• 11. Üneş F, Kaya YZ, Mamak M. Daily reference evapotranspiration prediction based on climatic conditions applying different data mining techniques and empirical equations. Theoretical and Applied Climatology 2020;141(1-2):763-773.
• 12. Üneş F, Demirci M, Taşar B, Kaya YZ, Varçin, H. Modeling of dam reservoir volume using generalized regression neural network, support vector machines and M5 decision tree models. Applied Ecology and Environmental Research 2019;17(3):7043-7055.
• 13. Unes F, Gumuscan FG, Demirci M. Prediction of dam reservoir volume fluctuations using adaptive neuro fuzzy approach. EJENS 2017;2(1):144-148.
• 14. Üneş F, Demirci M. Generalized regression neural networks for reservoir level modeling. International Journal of Advanced Computational Engineering and Networking 2015;3(8): 81-84.
• 15. Üneş F, Demirci M, Zelenakova M, Çalışıcı M, Taşar B, Vranay F, Kaya YZ. River flow estimation using artificial intelligence and fuzzy techniques. Water 2020;12(9):2427.
• 16. Cansız ÖF, Üneş F, Erginer İ, Taşar B. Modeling of highways energy consumption with artificial intelligence and regression methods. International Journal of Environmental Science and Technology 2022;19: 9741-9756.
• 17. Cansız ÖF, Erginer İ, ve Genç GG. Ulaştırma sektöründe karayollarının payına düşen enerji tüketiminin yapay sinir ağları ve çok değişkenli lineer regresyon yöntemleri ile tahmini. International Eurasian Conference on Science, Engineering and Technology 2018:627-633; Ankara.
• 18. Gabralı D, Zafer A. Güneş enerjisi potansiyelinin çoklu lineer regresyon ve yapay sinir ağları ile modellenmesi. Aurum Mühendislik Sistemleri ve Mimarlık Dergisi 2020;4(1):27-32.
• 19. Cansız ÖF, Ünsalan K, Erginer İ. Karayolları enerji tüketiminin yapay zekâ ve regresyon yöntemleri ile modellenmesi. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi 2020;25(3):1301-1312.
• 20. Jang JSR. Fuzzy modeling using generalized neural networks and kalman filter algorithm. Proceedings of the 9th National Conference on Artificial Intelligence, Anaheim, CA, USA, 1991 July 14–19. p.762–767.
• 21. Jang JSR. ANFIS: Adaptive-Network-Based Fuzzy Inference System. IEEE Transactions on Systems, Man and Cybernetics 1993;23(3):665-685.
• 22. Demirci M, Unes F, Kaya YZ, Tasar B, Varçin H. Modeling of dam reservoir volume using adaptive neuro-fuzzy method, in: 10th international Water and Air Components Conference, 2018 March 145–152; Sovata, ROMANIA.
• 23. Zadeh LA. Fuzzy sets. Information and Control 1965; 8:338-353.
• 24. Dayan F, Demirci M, Üneş F, Taşar B. Nehirlerdeki katı madde miktarının bulanık SMRGT yöntemi ile tahmini. KSÜ Mühendislik Bilimleri Dergisi 2021;24(4):294-307.
• 25. Toprak A, Aykaç Z, Toprak ZF. Bulanık SMRGT yönteminin pratik uygulamaları. Mühendislik Dergisi 2017;8(1):123-132.
• 26. Yalaz S, Atay A. Fuzzy linear regression for the time series data which is fuzzified with SMRGT Method. Süleyman Demirel University Journal of Natural and Applied Sciences 2016; 20(3):405-413.
• 27. Toprak ZF. Flow discharge modeling in open canals using a new fuzzy modeling technique (SMRGT). CLEAN–Soil, Air Water 2009; 37(9):742-752.