@article{article_1723566, title={Hava Kirliliği Değerlerinin Makine Öğrenmesi ve Hibrit Yöntemler İle Tahmini: İstanbul Örneği}, journal={Malatya Turgut Özal Üniversitesi İşletme ve Yönetim Bilimleri Dergisi}, volume={6}, pages={190–203}, year={2025}, author={Metin, Serkan}, keywords={Makine Öğrenme, Hibrit Metot, Hava kirliliği, PM10}, abstract={Bu çalışma, İstanbul’daki hava kirliliği seviyelerinin (PM10, SO2, NO2, NOX ve NO) makine öğrenmesi ve hibrit yöntemlerle tahmin edilmesini amaçlamaktadır. Çalışmada, T.C. Çevre Bakanlığı’na ait Sürekli İzleme Merkezi’nden 2013-2025 tarihleri arasında toplanan 4500 veri noktası kullanılmıştır. Veri ön işleme aşamasında eksik değerler medyan ile tamamlanmış, kirleticiler arası ilişkiler korelasyon analizi ve görselleştirme teknikleriyle incelenmiştir. Modellemede Lineer Regresyon, Random Forest, SVR, XGBoost, hibrit (Voting ve Stacking) ve derin öğrenme modelleri test edilmiştir. Performans metrikleri (MSE, MAE, MAPE, R²) kapsamında en başarılı sonuçlar XGBoost ve Random Forest’tan elde edilmiştir. NO tahmininde Random Forest R²=0.967 ile en iyi performansı gösterirken, SO2 tahmininde tüm modeller düşük başarı sergilemiştir. Hibrit modeller, PM10 gibi karmaşık değişkenlerde dengeli tahminler sunarken, derin öğrenme bazı durumlarda aşırı öğrenme nedeniyle sınırlı kalmıştır. Sonuçlar, doğrusal olmayan ilişkilerin ağaç tabanlı modellerle daha iyi yakalandığını, ancak SO2 gibi yüksek varyanslı değişkenlerde ek özellik mühendisliği gerektiğini vurgulamaktadır. Çalışma, hava kalitesi yönetimi için hibrit modellerin etkinliğini ortaya koymakta ve gelecek araştırmalara meteorolojik veri entegrasyonu, hiperparametre optimizasyonu ve zaman serisi modellerinin kullanımını önermektedir}, number={2}, publisher={Malatya Turgut Özal Üniversitesi}