Modeling and Forecasting PM10 and SO2 Air Pollutants Using Machine Learning Models: The Case of Major Cities in Turkey

Öz

In recent years, air pollution in Turkey has become a serious problem for public health and environmental management in metropolitan areas, owing to high population density and industrialization. Substances that cause air pollution are defined as primary pollutants, such as Particulate Matter (PM10) and Sulfur Dioxide (SO2), which are emitted directly from sources and form in the atmosphere. This study focuses on daily PM10 and SO2 data from January 2016 to February 2026 for the seven largest cities with the highest population density in Turkey's geographical regions (Ankara, Antalya, Erzurum, Istanbul, Izmir, Samsun, and Sanliurfa). These data were modeled and predicted for the next year using GBM, HistGBM, LightGBM, Random Forest, and XGBoost machine learning models. As a result, the XGBoost model was more effective at modeling PM10 and SO2 data, whereas the GBM model was more effective at forecasting future data. In addition, given the high explanatory power of machine learning models for data analysis and prediction, it is recommended that the models proposed in air quality studies be used in future research.

Anahtar Kelimeler

• PM10
• SO2
• Metropolitan City
• Machine Learning
• Future Prediction

PM10 ve SO2 Hava Kirleticilerinin Makine Öğrenmesi Modelleri ile Modellenmesi ve Gelecek Tahmini: Türkiye’deki Büyükşehirler Örneği

Öz

Son yıllarda Türkiye’deki hava kirliliğinin nüfus yoğunluğu ve sanayileşmedeki artış nedeniyle büyükşehirlerde halk sağlığı ve çevre yönetimi üzerinde ciddi bir sorun haline geldiği görülmektedir. Hava kirliliğine neden olan maddeleri kaynaklarına ve atmosferdeki oluşum süreçlerine göre partikül madde (PM10) ve kükürt dioksit (SO2) gibi doğrudan bir kaynaktan yayılan maddeler birincil kirleticiler olarak tanımlanmaktadır. Bu araştırmada, Türkiye’nin 7 farklı coğrafi bölgelerindeki nüfus yoğunluğu en yüksek olan 7 büyükşehir (Ankara, Antalya, Erzurum, İstanbul, İzmir, Samsun ve Şanlıurfa) ait Ocak 2016-Şubat 2026 tarihleri aralığındaki günlük PM10 ve SO2 verilerine odaklanılmıştır. Bu verilerin modelleme ve gelecek 1 yıllık tahmini GBM, HistGBM, LightGBM, Random Forest ve XGBoost makine öğrenmesi modelleri ile yapılmıştır. Sonuç olarak, XGBoost modelinin PM10 ve SO2 verilerinin modelleme performansı konusunda, GBM modelinin ise verilerin gelecek tahmini konusunda daha etkin olduğu görülmüştür. Buna ek olarak, makine öğrenmesi modellerinin verileri modelleme ve gelecek tahmini konusundaki yüksek açıklama yüzdesiyle hava kalitesi araştırmalarında önerilen makine öğrenmesi modellemelerinin gelecek araştırmalar için kullanılması önerilmektedir.

Anahtar Kelimeler

• PM10
• SO2
• Büyükşehir
• Makine Öğrenmesi
• Gelecek Tahmini

Kaynakça

1. Atalay, İ. E., & Neslihanoğlu, S. (2021). Türkiye’deki illerin partikül madde (PM10) miktarının değerlendirilmesi ve R programlama dili ile görselleştirilmesi. Doğal Afetler ve Çevre Dergisi, 7(2), 354-361.
2. Aydın, O., & Raja, N. B. (2025). Ankara’da Partikül Madde (PM10) ve Kükürt Dioksit (SO2) Konsantrasyonlarının İklim Parametreleri İle Mekânsal-Zamansal Analizi. Doğal Afetler Ve Çevre Dergisi, 11(1), 249-267.
3. Chen, T., & Guestrin, C. (2016) “XGBoost: A scalable tree boosting system” in Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Vol:13-17, August 2016. Association for Computing Machinery, 8, pp. 785–794.
4. Demir Yetiş, A., İlhan, N., & Karakuş, S. (2025). Makine öğrenmesi algoritmaları ile Malatya ilinde PM10 ve SO2 konsantrasyonlarının tahmini. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 30(2), 621-635.
5. Demirarslan, K., & Akıncı, H. (2016). Doğu Karadeniz Bölgesindeki Partikül Madde Dağılımlarının Coğrafi Bilgi Sistemleri Yardımıyla Belirlenmesi. Doğal Afetler ve Çevre Dergisi, 2(1), 30-45.
6. Demirarslan, K. O., & Akıncı, H. (2016). Doğu Karadeniz Bölgesinde Kükürtdioksit (SO2) Dağılımlarının Coğrafi Bilgi Sistemleri Yardımıyla Belirlenmesi. Doğal Afetler ve Çevre Dergisi, 2(2), 81-99.
7. DSÖ, Ambient (outdoor) air pollution, 2021. https://www.who.int/news-room/fact-sheets/detail/ambient-(outdoor)-air quality-and-health, (Erişim Tarihi: 03 Mart 2026).
8. Eşidir, K. A. (2025) Makine öğrenimi modelleri ile yetişkin eğitimi analizi: modellerin karşılaştırmalı performansı. Elektronik Sosyal Bilimler Dergisi, 24(2), 946-964.

9. Li, R., Sun, K., Wang, X., Dai, G., Fan, M., Ma, L., ... & Wu, S. (2025). PM2.5 and PM10 vertical distribution retrieval methods based on coherent Doppler lidar via machine learning: For haze and dust in Qingdao. Atmospheric Environment, 359, 121351.
10. Metin, S. (2025). Hava Kirliliği Değerlerinin Makine Öğrenmesi Ve Hibrit Yöntemler İle Tahmini: İstanbul Örneği. Malatya Turgut Özal Üniversitesi İşletme ve Yönetim Bilimleri Dergisi, 6(2),190-203.
11. Mert, İ. (2025). Prediction of Wind Speed Using Tree-Based Ensemble Algorithms: CatBoost, HistGBM, and XGBoost. International Journal of Multidisciplinary Studies and Innovative Technologies, 9(1), 145-150.
12. Nhat-Duc, H., & Van-Duc, T. (2023). Comparison of histogram-based gradient boosting classification machine, random forest, and deep convolutional neural network for pavement raveling severity classification. Automation in construction, 148, 104767.
13. Olcay, H., & Çukur, H. (2025). Sıcaklık Terselmesi ve Hava Kirliliği (SO2) İlişkisi: Manisa Örneği. Turkish Studies, 20(2), 1109-1127.
14. Olcay, H., Yakın, F., & Gökçe Gündüzoğlu, H.A. (2025). Hava kirliliği ile doğal ortam arasındaki ilişki: Sistematik literatür taraması. Coğrafi Bilimler Dergisi/ Turkish Journal of Geographical Sciences, 23 (2), 701-733.
15. Ören, S. (2024). Hatay ve Kahramanmaraş merkezli meydana gelen depremler sonrasında dış ortam hava kalitesinde PM10 ve SO2 Düzeyleri ve Değişimleri. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 11(1), 104-115.
16. Özşahin, E., Eroğlu, İ., & Pektezel, H. (2016). Keşan’da Edirne Hava Kirliliği. Selçuk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (36), 83-100.
17. Ridgeway, G. (2007). Generalized Boosted Models: A guide to the gbm package. Update, 1(1), 2007.
18. Yeşilyurt, S. E., & Dalkılıç H. Y. (2021) Xgboost ve gradient boost machine ile günlük nehir akımı tahmini. In 3rd International Symposium of III Engineering Applications on Civil Engineering and Earth Sciences.
19. Shang, H., Zhang, X., Cheng, M., Zhao, B., & Zhao, X. (2026). Machine learning prediction of cardiovascular disease risk progression from sulfur dioxide exposure in longitudinal population studies in China. BMC Cardiovascular Disorders, 26, 229 (2026). https://doi.org/10.1186/s12872-026-05591-5
20. Singh, S. K., Jain, R., Palaniappan, D., Parmar, K., T, P., & Gothania, J. (2025). Spatiotemporal analysis and machine learning-based prediction of air quality in Indian urban cities. Environmental Research and Technology, 8(4), 809-822.
21. Suleiman, A., Tight, M. R., & Quinn, A. D. (2019). Applying machine learning methods in managing urban concentrations of traffic-related particulate matter (PM10 and PM2.5). Atmospheric Pollution Research, 10(1), 134-144.
22. Zhai, B., & Chen, J. (2018). Development of a stacked ensemble model for forecasting and analyzing daily average PM2. 5 concentrations in Beijing, China. Science of the Total Environment, 635, 644-658.
23. Xu T, Chen B, Ren Y, Zhao L, Hu J, Wang Y, Song Z & Li X (2023). Estimation of the ground-level SO2 concentration in eastern China based on the LightGBM model and Himawari-8 TOAR. Frontiers in Earth Science, 10, 1037719.