Denizli İli Hava Kalitesi ile Trafik Verilerinin Yapay Zekâ Destekli Analizi ve Modellenmesi

Öz

Bu çalışma, Denizli il merkezindeki hava kalitesi, trafik yoğunluğu ve meteorolojik koşullar arasındaki ilişkiyi incelemeyi ve derin öğrenme (LSTM) algoritmalarına dayalı öngörüsel bir model geliştirmeyi amaçlamaktadır. Araştırmada, ilgili kurumlardan temin edilen son bir yıllık (16.02.2025 - 16.02.2026) saatlik veriler kullanılarak, kirliliğin yoğun olduğu İstiklal istasyonu verileri üzerinden bir model eğitilmiştir. Analiz bulguları, İstiklal ve Bayramyeri istasyonlarında trafik yoğunluğu ile NO, NOX, CO ve PM10 seviyeleri arasında güçlü bir pozitif korelasyon bulunduğunu göstermektedir. Ayrıca, trafik kaynaklı emisyonların ölçüm istasyonlarında ortalama 3 ila 5 saatlik bir gecikmeyle (lag etkisi) zirve yaptığı saptanmıştır. Mevsimsel analizler, bu kirlilik ilişkisinin kış ve sonbahar aylarında meteorolojik dezavantajlar nedeniyle güçlendiğini ortaya koymaktadır. Geliştirilen Çift Yönlü LSTM (Bidirectional LSTM) modelinin performansı istatistiksel metriklerle incelendiğinde; R-Kare (R2) doğruluk skoru 0.7094, Ortalama Mutlak Hata (MAE) 0.0581 ve Hata Kareler Ortalamasının Karekökü (RMSE) 0.0833 olarak hesaplanmıştır. Geliştirilen bu model, meteorolojik tahminler ve beklenen trafik değerleri girilerek bir sonraki günün hava kalitesini öngörebilen çevrimiçi bir benzetim arayüzüyle bütünleştirilmiştir. Çalışma, sürdürülebilir kent içi ulaşım planlaması için veri odaklı karar destek araçları sunmaktadır.

Anahtar Kelimeler

• Trafik
• Hava kirliliği
• Hava kalitesi
• Zehirli gazlar
• Kirleticiler.

Destekleyen Kurum

Necla-Ergun Abalıoğlu Ticaret Mesleki ve Teknik Anadolu Lisesi

Etik Beyan

Bu çalışmada, “Yükseköğretim Kurumları Bilimsel Araştırma ve Yayın Etiği Yönergesi” kapsamında uyulması gerekli tüm kurallara uyulduğunu, bahsi geçen yönergenin “Bilimsel Araştırma ve Yayın Etiğine Aykırı Eylemler” başlığı altında belirtilen eylemlerden hiçbirinin gerçekleştirilmediğini taahhüt ederiz.

Teşekkür

Bu araştırmada kullanılan verilerin sağlanmasındaki desteklerinden dolayı T.C. Çevre, Şehircilik ve İklim Değişikliği Bakanlığına, Denizli Meteoroloji Müdürlüğüne ve Denizli Büyükşehir Belediyesi Ulaşım Daire Başkanlığına teşekkür ederiz.

Artificial Intelligence-Supported Analysis and Modeling of Air Quality with Traffic Data in Denizli Province

Öz

This study aims to investigate the relationship between air quality, traffic density, and meteorological conditions in the city center of Denizli and to develop a predictive model based on deep learning (LSTM) algorithms. In the research, a model was trained using the data from the İstiklal station, where pollution is intense, based on hourly data obtained from the relevant institutions for the last year (16.02.2025 - 16.02.2026). Analysis findings indicate a strong positive correlation between traffic density and NO, NOX, CO, and PM10 levels at the İstiklal and Bayramyeri stations. Furthermore, it was determined that traffic-related emissions peak at the measurement stations with an average delay (lag effect) of 3 to 5 hours. Seasonal analyses reveal that this pollution relationship strengthens in winter and autumn months due to meteorological disadvantages. When the performance of the developed Bidirectional LSTM model was examined with statistical metrics, the R-Squared (R2) accuracy score was calculated as 0.7094, Mean Absolute Error (MAE) as 0.0581, and Root Mean Square Error (RMSE) as 0.0833. This developed model has been integrated into an online simulation interface that can predict the air quality of the next day by entering meteorological forecasts and expected traffic values. The study presents data-driven decision support tools for sustainable urban transportation planning.

Anahtar Kelimeler

• Traffic
• Air pollution
• Air quality
• Toxic gases
• Pollutants.

Destekleyen Kurum

Necla-Ergun Abalıoğlu Vocational and Technical Anatolian High School

Etik Beyan

We would like to thank the Republic of Turkey Ministry of Environment, Urbanization and Climate Change, the Denizli Meteorology Directorate, and the Denizli Metropolitan Municipality Department of Transportation for their support in providing the data used in this study.

Teşekkür

I would like to thank the Republic of Türkiye Ministry of Environment, Urbanization and Climate Change, Denizli Directorate of Meteorology, and Denizli Metropolitan Municipality Department of Transportation for their support in providing the data used in this research. This article was produced from a project, and I would like to express my gratitude to my Information Technology teacher, Kenan İpek, for his supervision during the project development process.

Kaynakça

1. Arslan, H., & Toltar, A. (2023). The influence of meteorological parameters on PM2.5 and PM10 values in Ümraniye and Silivri districts of İstanbul. Environmental Research and Technology, 6(4), 288–301. https://doi.org/10.35208/ert.1220649
2. Behçet, R., ve Yakın, A. (2020). Malatya ili trafik kaynaklı hava kirleticilerinin emisyon envanteri. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 10(4), 2783-2790. https://doi.org/10.21597/jist.704308
3. Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: Forecasting and control (5th ed.). John Wiley & Sons.
4. Cabaneros, S. M., Calautit, J. K., & Hughes, B. R. (2019). A review of artificial neural network models for ambient air pollution prediction. Environmental Modelling & Software, 119, 285–304. https://doi.org/10.1016/j.envsoft.2019.06.014
5. Cuci, Y., ve Ergün Polat, E. (2015). Gaziantep’in trafik kaynaklı hava kirliliğinin belirlenmesi. KSU Mühendislik Bilimleri Dergisi, 18(2), 1-11. https://doi.org/10.17780/ksujes.12923
6. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780.
7. Jacob, D. J., & Winner, D. A. (2009). Effect of climate change on air quality. Atmospheric Environment, 43(1), 51–63. https://doi.org/10.1016/j.atmosenv.2008.09.051
8. Karakavak, H. N., ve Özel, G. (2025). Hava kirlilik düzeylerindeki anomali tespitinde Benford kanunu ve genelleştirilmiş uç değer dağılım: Ankara ili Çankaya ilçesi örneği. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 29(1), 176-188. https://doi.org/10.19113/sdufenbed.1522661

9. Mutlu, A. (2019). Balıkesir şehir merkezinde trafik kaynaklı hava kirliliği seviyelerinin analizi. BAUN Fen Bilimleri Enstitüsü Dergisi, 21(1), 152-168. https://doi.org/10.25092/baunfbed.532605
10. Onat, B., ve Şahin, Ü. A. (2012). Trafik kaynaklı partikül madde boyutlarının ve siyah duman ile ilişkisinin araştırılması. Ekoloji, 21(83), 77-83. https://doi.org/10.5053/ekoloji.2012.839
11. Özden, A., Talu, A., ve Korkmaz, A. (2024). Yönlendirilmiş trafik etkisi altında kentsel hava kalitesi ve gürültü incelemesi: Alifuatpaşa, Sakarya örneği. Karadeniz Fen Bilimleri Dergisi, 14(4), 1807-1824. https://doi.org/10.31466/kfbd.1482902
12. Pant, P., & Harrison, R. M. (2013). Estimation of the contribution of road traffic emissions to particulate matter concentrations from field measurements: A review. Atmospheric Environment, 77, 78–97. https://doi.org/10.1016/j.atmosenv.2013.04.028
13. Partigöç, N. S., ve Çubukçu, K. M. (2017). Hava kirliliği ve kent ilişkisine ampirik bakış: Ekolojik sürdürülebilirlik ekseninde bir değerlendirme. Akademia Disiplinlerarası Bilimsel Araştırmalar Dergisi, 3(2), 28-45.
14. Tırınk, S. (2025). Machine learning-based forecasting of air quality index under long-term environmental patterns: A comparative approach with XGBoost, LightGBM, and SVM. PLoS One, 20(10), e0334252. https://doi.org/10.1371/journal.pone.0334252
15. Türkiye İstatistik Kurumu. (t.y.). Motorlu kara taşıtları, iller (V2): Denizli verileri. TÜİK Veri Portalı. Erişim tarihi: 6 Mart 2026. https://veriportali.tuik.gov.tr/tr/databrowser/tuik/categories/15/15_2/15_2_1/TR,DF_MOTORLU_KARA_TASIT_ILLER_V2,1.2
16. Türkiye İstatistik Kurumu. (t.y.). Motorlu kara taşıtları, yakıt türü (V1): Denizli verileri. TÜİK Veri Portalı. Erişim tarihi: 6 Mart 2026. https://veriportali.tuik.gov.tr/tr/databrowser/tuik/categories/15/15_2/15_2_1/TR,DF_MOTORLU_KARA_TASIT_YAKIT_TURU_V1,1.2
17. World Health Organization. (2021). WHO global air quality guidelines: Particulate matter (PM2.5 and PM10), ozone, nitrogen dioxide, sulfur dioxide and carbon monoxide. World Health Organization.
18. Yakın, A., ve Behçet, R. (2019). Van ili trafik kaynaklı hava kirleticilerinin emisyon envanteri. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 9(3), 1567-1573. https://doi.org/10.21597/jist.548606
19. Yener, İ., & Demirarslan, K. O. (2022). Determining the factors affecting air quality in Marmara, Turkey, and assessing it using air quality indices. Doğal Afetler ve Çevre Dergisi, 8(2), 383–395. https://doi.org/10.21324/dacd.1081167
20. Zhang, K., & Batterman, S. (2013). Air pollution and health risks due to vehicle traffic. Science of the Total Environment, 450–451, 307–316. https://doi.org/10.1016/j.scitotenv.2013.01.074