Predicting PM10 and SO2 Concentrations in Malatya Province with Machine Learning Algorithms

Year 2025, Volume: 30 Issue: 2, 621 - 635, 31.08.2025

Ayşegül Demir Yetiş , Nagehan İlhan , Songül Karakuş

https://doi.org/10.53433/yyufbed.1642106

Abstract

The study aims to evaluate and predict the air quality of Malatya province regarding PM10 and SO2 parameters between 2020-2024. In this context, the data 2020-2024 have been obtained from the National Air Quality Monitoring Network. The data have been evaluated by comparing the limit values in national and international legislation. Using data from 2020 to 2023, PM10 and SO2 pollutant concentrations for 2024 have been estimated with 7 different machine learning (ML) algorithms such as linear regression (LR), random forest (RF), XGBoost, LightGBM, support vector regression (SVR), k-nearest neighbor (k-NN) and artificial neural network (ANN). The model development phase has been repeated for 2024, the results produced by the algorithms have been compared with the actual results, and the performances and error rates of the algorithms have been determined. As a result; there is an increase in the values for PM10 and SO2 pollutant parameters from 2020 to 2023, and a decrease in 2024. Within the scope of air quality assessment, the 24-hour average time limit value for the PM10 parameter has been exceeded by 79% in 2023, and the annual average time limit value has been exceeded by 91%. For SO2, only the annual average limit was exceeded in 2021, at a rate of 21%. In terms of performance metrics, the highest accuracy in predicting PM10 and SO2 was achieved with XGBoost and LightGBM algorithms, while the Random Forest and ANN models also demonstrated strong performance. Linear Regression and SVR provided more modest but balanced results, and k-NN achieved moderate performance.

Keywords

Air pollution , Artificial intelligence , Malatya , Machine learning , PM10 , SO2

Makine Öğrenmesi Algoritmaları ile Malatya İlinde PM10 ve SO2 Konsantrasyonlarının Tahmini

Abstract

Çalışma, Malatya ilinin 2020-2024 yılları arası PM10 ve SO2 parametrelerine ait hava kalitesinin değerlendirilmesi ve tahmin edilmesini amaçlamaktadır. Bu kapsamda veriler, Ulusal Hava Kalitesi İzleme Ağı’ndan temin edilmiştir. Veriler ulusal ve uluslararası mevzuattaki sınır değerlerle mukayese edilerek değerlendirilmiştir. 2020-2023 yıllarının verileri kullanılarak, 2024 yılının PM10 ve SO2 kirletici konsantrasyonları lineer regresyon (LR), rastgele orman (RF), XGBoost, LightGBM, destek vektör regresyonu (SVR), k-en yakın komşu (k-NN) ve yapay sinir ağları (ANN) olmak üzere 7 farklı makine öğrenmesi (ML) algoritması ile tahmin edilmiştir. Model geliştirme aşaması 2024 yılı için tekrarlanarak, algoritmaların ürettiği sonuçlar gerçek sonuçlarla karşılaştırılmış, algoritmaların performansları ve hata oranları belirlenmiştir. Sonuç olarak; 2020 yılından 2023 yılına kadar PM10 ve SO2 kirletici parametreleri için değerlerde bir artış, 2024 yılında ise düşüş görülmektedir. Hava kalitesinin değerlendirilmesi kapsamında PM10 parametresi için 2023 yılında 24 saatlik ortalama süre sınır değeri %79 oranla, yıllık ortalama süre sınır değeri ise %91 oranla aşılmıştır. SO2 parametresi için ise 2021 yılında sadece yıllık ortalama süre sınır değeri %21’lik oranla aşılmıştır. Performans metrikleri değerlendirildiğinde, PM10 ve SO2 tahminlerinde en yüksek doğruluk XGBoost ve LightGBM algoritmaları ile elde edilmiş; Random Forest ve ANN modelleri de yüksek başarı göstermiştir. Linear Regression ve SVR ise daha mütevazı ancak dengeli performans sunarken, k-NN orta düzeyde bir başarı sağlamıştır.

Keywords

Hava kirliliği , Makine öğrenmesi , Malatya , PM10 , SO2 , Yapay zeka

References

• Akgün, M., & Barlik, N. (2023). Makine öğrenmesi algoritmaları kullanılarak hava kalitesi indeksinin tahmini. Avrupa Bilim ve Teknoloji Dergisi, (51), 97-107. https://doi.org/10.31590/ejosat.1241170
• Aladağ, E. (2023). Ampirik mod ayrıştırmasına dayalı ARIMA modeli kullanılarak Van ili hava kirliliğinin tahmini. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 28(2), 495-509. https://doi.org/10.53433/yyufbed.1220578
• Aladag, E. (2023). The influence of meteorological factors on air quality in the province of Van, Turkey. Water, Air, & Soil Pollution, 234(4), 259. https://doi.org/10.1007/s11270-023-06265-0
• Ataş, M., Yeşilnacar, M. İ., & Demir Yetiş, A. (2022). Novel machine learning techniques based hybrid models (LR-KNN-ANN and SVM) in prediction of dental fluorosis in groundwater. Environmental Geochemistry and Health, 44(11), 3891-3905. https://doi.org/10.1007/s10653-021-01148-x
• Ay, Ş., & Ekinci, E. (2022). Ozon konsantrasyonlarını modellemek için makine öğrenmesi ve derin öğrenme yöntemlerinin karşılaştırılması. Journal of Intelligent Systems: Theory and Applications, 5(2), 106-118. https://doi.org/10.38016/jista.1054331
• Aylak, B. L., Oral, O., & Yazıcı, K. (2021). Yapay zeka ve makine öğrenmesi tekniklerinin lojistik sektöründe kullanımı. El-Cezerî Fen ve Mühendislik Dergisi, 8(1), 74-93. https://doi.org/10.31202/ecjse.776314
• Behcet, R., & Yakın, A. (2020). Malatya ili trafik kaynaklı hava kirleticilerinin emisyon envanteri. Journal of the Institute of Science and Technology, 10(4), 2783-2790. https://doi.org/10.21597/jist.704308
• Bozdağ, A., Dokuz, Y., & Gökçek, Ö. B. (2020). Spatial prediction of PM10 concentration using machine learning algorithms in Ankara, Turkey. Environmental Pollution, 263, 114635. https://doi.org/10.1016/j.envpol.2020.114635
• Cekim, H. O. (2020). Forecasting PM10 concentrations using time series models: a case of the most polluted cities in Turkey. Environmental Science and Pollution Research, 27(20), 25612-25624. https://doi.org/10.1007/s11356-020-08164-x
• Çevik, Z. A., Özbeyaz, A., & Demirci, Y. (2022). Makine öğrenme algoritması kullanarak yenilebilir enerji ile hava kirliliği arasındaki ilişkinin incelenmesi.
• ÇŞİB. (2022). Malatya ili 2022 yılı çevre durum raporu. Çevre, Şehircilik ve İklim Değişikliği İl Müdürlüğü. https://webdosya.csb.gov.tr/db/ced/icerikler/malatya-ilcdr-2022-20240726150652.pdf
• Demir Yetiş, A., İlhan, N., & Kara, H. (2024). Integrating deep learning and regression models for accurate prediction of groundwater fluoride contamination in old city in Bitlis province, Eastern Anatolia Region, Türkiye. Environmental Science and Pollution Research, 31(34), 47201-47219. https://doi.org/10.1007/s11356-024-34194-w
• Demir Yetiş, A., Yesilnacar, M. I., & Atas, M. (2021). A machine learning approach to dental fluorosis classification. Arabian Journal of Geosciences, 14(2), 95. https://doi.org/10.1007/s12517-020-06342-2
• Demirarslan, K. O., & Akıncı, H. (2018). CBS ve hava kalitesi verileri kullanılarak Marmara Bölgesinin kış sezonunda hava kalitesinin değerlendirilmesi. Doğal Afetler ve Çevre Dergisi, 4(1), 11-27. https://doi.org/10.21324/dacd.344564
• Demirezen, M. U., Civrizoğlu, A., & Yavanoğlu, U. (2021). Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 36(3), 1399-1416. https://doi.org/10.17341/gazimmfd.826453
• Dhaliwal, S. S., Nahid, A. A., & Abbas, R. (2018). Effective intrusion detection system using XGBoost. Information, 9(7), 149. https://doi.org/10.3390/info9070149
• EEA. (2024). Air pollution. European Environment Agency. Erişim tarihi: 11.02.2025. https://www.eea.europa.eu/en/topics/in-depth/air-pollution?activeTab=fa515f0c-9ab0-493c-b4cd-58a32dfaae0a.
• EU. (2024). Europe’s air quality status 2024. European Environment Agency. Erişim tarihi: 17.02.2025. https://www.eea.europa.eu/publications/europes-air-quality-status-2024
• Gök, M. (2017). Makine öğrenmesi yöntemleri ile akademik başarının tahmin edilmesi. Gazi University Journal of Science Part C: Design and Technology, 5(3), 139-148.
• Gökçek, B., Şaşa, N., Dokuz, Y., & Bozdağ, A. (2022). PM10 parametresinin makine öğrenmesi algoritmalari ile mekânsal analizi, Kayseri ili örneği. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 24(70), 65-80. https://doi.org/10.21205/deufmd.2022247008
• HKDYY. (2008). Hava Kalitesi Değerlendirme ve Yönetimi Yönetmeliği. Çevre ve Orman Bakanlığı, Resmî Gazete (06.06.2008). Resmî Gazete Sayısı: 26898.
• Hong, H., Pradhan, B., Xu, C., & Bui, D. T. (2015). Spatial prediction of landslide hazard at the Yihuang area (China) using two-class kernel logistic regression, alternating decision tree and support vector machines. Catena, 133, 266-281. https://doi.org/10.1016/j.catena.2015.05.019
• İlhan, N., Demir Yetiş, A., Yeşilnacar, M. İ., & Atasoy, A. D. S. (2022). Predictive modelling and seasonal analysis of water quality indicators: three different basins of Şanlıurfa, Turkey. Environment, Development and Sustainability, 24(3), 3258-3292. https://doi.org/10.1007/s10668-021-01566-y
• Jia, Q. (2019). Urban air quality assessment method based on GIS technology. Applied Ecology and Environmental Research, 17, 9367-9375. http://doi.org/10.15666/aeer/1704_93679375
• Jiang, H., Li, Y., Zhou, C., Hong, H., Glade, T., & Yin, K. (2020). Landslide displacement prediction combining LSTM and SVR algorithms: A case study of Shengjibao Landslide from the Three Gorges Reservoir Area. Applied Sciences, 10(21), 7830. https://doi.org/10.3390/app10217830
• Kalıpcı, E., & Başer, V. (2019). Coğrafi Bilgi Sistemi (CBS) ve hava kalitesi verileri kullanılarak Türkiye’nin hava kirliliğinin değerlendirilmesi. Karadeniz Fen Bilimleri Dergisi, 9(2), 377-389. https://doi.org/10.31466/kfbd.645698
• Karabaş, B. (2019). Use of geographic information system for evaluating the some geotechnical properties in Malatya, Turkey. Yüksek Lisans Tezi, Hasan Kalyoncu Üniversitesi, Fen Bilimleri Enstitüsü, Gaziantep, Türkiye.
• Karabekiroğlu, B., Zere, H. A., & Toros, H. (2023). Malatya 2018-2022 yılları hava kirliliği verilerinin değerlendirilmesi.
• Kırımhan, S. (2006). Hava kirliliği ve kontrolü. Ankara: Turhan Kitabevi.
• Kumar, K., & Pande, B. P. (2023). Air pollution prediction with machine learning: a case study of Indian cities. International Journal of Environmental Science and Technology, 20(5), 5333-5348. https://doi.org/10.1007/s13762-022-04241-5
• Li, J. (2018). Monthly housing rent forecast based on lightgbm (light gradient boosting) model. International Journal of Intelligent Information and Management Science, 7(6), 09-03.
• Mahesh, B. (2020). Machine learning algorithms-a review. International Journal of Science and Research (IJSR), 9(1), 381-386.
• Mao, W., Wang, W., Jiao, L., Zhao, S., & Liu, A. (2021). Modeling air quality prediction using a deep learning approach: Method optimization and evaluation. Sustainable Cities and Society, 65, 102567. https://doi.org/10.1016/j.scs.2020.102567
• Moezzi, S. M. M., Mohammadi, M., Mohammadi, M., Saloglu, D., & Sheikholeslami, R. (2024). Machine learning insights into PM2.5 changes during COVID-19 lockdown: LSTM and RF analysis in Mashhad. Environmental Monitoring and Assessment, 196(5), 453. https://doi.org/10.1007/s10661-024-12567-5
• Mutlu, N. M., & Atahanlı, E. B. (2024). Veri madenciliği ile hava kalitesi tahmini: İstanbul örneği. Bilişim Teknolojileri Dergisi, 17(3), 139-158. https://doi.org/10.17671/gazibtd.1426942
• Müezzinoğlu, A. (2005). Hava Kirliliği ve Kontrolünün Esasları. Dokuz Eylül Üniversitesi Yayınları.
• Oğuz, K., & Pekin, M. A. (2022). Makine öğrenme algoritmaları ile PM10 konsantrasyon tahmini. Journal of Advanced Research in Natural and Applied Sciences, 8(2), 201-213. https://doi.org/10.28979/jarnas.981202
• Öztürk, D., & Bayram, T. (2019). Van ili kent merkezinde hava kirliliği. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 8(3), 1142-1153.
• Rakholia, R., Le, Q., Ho, B. Q., Vu, K., & Carbajo, R. S. (2023). Multi-output machine learning model for regional air pollution forecasting in Ho Chi Minh City, Vietnam. Environment international, 173, 107848. https://doi.org/10.1016/j.envint.2023.107848
• Righini, G., Cappelletti, A., Ciucci, A., Cremona, G., Piersanti, A., Vitali, L., & Ciancarella, L. (2014). GIS based assessment of the spatial representativeness of air quality monitoring stations using pollutant emissions data. Atmospheric Environment, 97, 121-129. https://doi.org/10.1016/j.atmosenv.2014.08.015
• Sari, M. F., & Esen, F. (2019). PM10 ve SO2 konsantrasyonları ve meteorolojik parametrelerin konsantrasyonlar üzerine etkileri. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 8(2), 689-697. https://doi.org/10.28948/ngumuh.598226
• Singh, V., Gourisaria, M. K., & Das, H. (2021, September). Performance analysis of machine learning algorithms for prediction of liver disease. IEEE 4th International Conference on Computing, Power and Communication Technologies (GUCON) (pp. 1-7), University of Malaya, Malaysia.
• Sravani, B., & Bala, M. M. (2020, June). Prediction of student performance using linear regression. International Conference for Emerging Technology (INCET) (pp. 1-5). IEEE.
• Suguna, N., & Thanushkodi, K. (2010). An improved k-nearest neighbor classification using genetic algorithm. International Journal of Computer Science Issues, 7(2), 18-21.
• THHP. (2024). Türkiye’nin hava kalitesi karnesi (Kara Rapor 2024). Erişim tarihi: 12.02.2025. https://temizhavahakki.org/turkiyenin-hava-kalitesi-karnesi-kara-rapor-2024/
• Tırıs, M., Kalafatoğlu, E., Okutan, H. (1993) Hava Kirliliği Kaynakları ve Kontrolü. TÜBİTAK MAM, Gebze, Kocaeli.
• Tien Bui, D., Tuan, T. A., Hoang, N. D., Thanh, N. Q., Nguyen, D. B., Van Liem, N., & Pradhan, B. (2017). Spatial prediction of rainfall-induced landslides for the Lao Cai area (Vietnam) using a hybrid intelligent approach of least squares support vector machines inference model and artificial bee colony optimization. Landslides, 14, 447-458. https://doi.org/10.1007/s10346-016-0711-9
• UHKİA. (2025). Ulusal hava kalite izleme ağı. Çevre, Şehircilik ve İklim Değişikliği Bakanlığı. Erişim tarihi: 05.02.2025. https://sim.csb.gov.tr/STN/STN_Report/StationDataDownloadNew
• Utku, A., & Can, Ü. (2024). An effective hybrid model for predicting air quality of Ankara. NATURENGS, 5(1), 1-8. https://doi.org/10.46572/naturengs.1411983
• Ünaldı, S., & Yalçın, N. (2022). Hava kirliliğinin makine öğrenmesi tabanlı tahmini: Başakşehir örneği. Mühendislik Bilimleri ve Araştırmaları Dergisi, 4(1), 35-44. https://doi.org/10.46387/bjesr.1055946
• Varol, M., Gündüz, K., & Sünbül, M. R. (2021). Pollution status, potential sources and health risk assessment of arsenic and trace metals in agricultural soils: A case study in Malatya province, Turkey. Environmental Research, 202, 111806. https://doi.org/10.1016/j.envres.2021.111806
• Verma, S., Gangwar, T., Singh, J., Prakash, D., & Payra, S. (2023). Urban air quality monitoring and modelling using ground monitoring, remote sensing, and GIS. In Geospatial analytics for environmental pollution modeling: analysis, control and management (pp. 213-247). Cham: Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-45300-7_9
• Vural, E. (2021). Güneydoğu Anadolu Bölgesi illerinin CBS kullanarak hava kalitesinin mekânsal değişiminin incelenmesi (2007-2019). Doğal Afetler ve Çevre Dergisi, 7(1), 124-135. https://doi.org/10.21324/dacd.718450
• Wang, W., Shi, Y., Lyu, G., & Deng, W. (2017). Electricity consumption prediction using XGBoost based on discrete wavelet transform. DEStech Transactions on Computer Science and Engineering, (aiea).
• WHO. (2021). Global Air Quality Guidelines. Erişim tarihi: 15.02.2025. https://www.who.int/news-room/questions-and-answers/item/who-global-air-quality-guidelines
• WHO. (2024). Ambient (outdoor) air pollution. Erişim tarihi: 11.02.2025. https://www.who.int/news-room/fact-sheets/detail/ambient-(outdoor)-air-quality-and-health
• WHO. (2025). Air pollution. Erişim tarihi: 11.02.2025. https://www.who.int/health-topics/air-pollution#tab=tab_1
• 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
• Yılmaz, Z. (2022). Meteoroloji̇k parametreleri̇n hava ki̇rli̇li̇ği̇ne etki̇si̇ni̇n i̇stati̇sti̇ksel analizi–Muş i̇li̇ (2021). Mühendislik Bilimleri ve Tasarım Dergisi, 10(4), 1182-1193. https://doi.org/10.21923/jesd.1100006
• Zhang, S., Cheng, D., Deng, Z., Zong, M., & Deng, X. (2018). A novel kNN algorithm with data-driven k parameter computation. Pattern Recognition Letters, 109, 44-54. https://doi.org/10.1016/j.patrec.2017.09.036