Derin Öğrenme Yöntemi ile İç Anadolu Bölgesi ve Çevresi Hava Kirliliği Tahmini

Öz

Sanayideki gelişmeler, nüfus artışı, çarpık kentleşme gibi sebepler hava kirliliğini artırmaktadır. Hava kirliliği tüm ekolojiyi ve insan sağlığını olumsuz yönde etkilediği için küresel anlamda önemlidir. Hava kirliliğinden kaynaklı oluşabilecek tehlikeli durumları önleyebilmek için önceden tedbirler alınmalıdır. Hava kirliliğini etkileyen unsurların önceden tahmin edilmesi ile oluşabilecek tehlikeli durumları önlemek mümkün olabilir. Partikül madde (PM) değeri hava kirliliğinin derecesini belirtmek için yaygın olarak kullanılan bir parametredir. Aerodinamik çapı 10 µm’den küçük olan partiküller madde olarak tanımı yapılan PM10 parametresi, ülkemiz için belirlenen sınır değerleri aşmaktadır ve dolayısıyla PM10 konsantrasyonunun artışında önlem alınması ciddi önem taşımaktadır. Bu çalışmada hava kalitesinin belirlenmesinde büyük rolü olan PM10 parametresinin değerlerinin tahmini üzerine araştırmalar yapılmıştır. Bu çalışmada, Meteoroloji Genel Müdürlüğü’ne ait İç Anadolu Bölgesi ve çevresindeki istasyonlara ait gerçek ölçüm verileri kullanılmıştır. Hava kalitesi indeksinin hesaplanmasında kullanılan kirletici madde parametrelerinin değerleri kullanılarak PM10 parametresinin değeri tahmin edilmiştir. Son yıllarda tahmin işlemlerinde derin öğrenme yöntemleri sıklıkla kullanılmaktadır. Derin öğrenme yöntemlerinden uzun süreli kısa bellek ağı (LSTM) modeli zamansal olarak bir önceki durumdan etkilenen veri kümelerinde yaygın olarak kullanılmaktadır. Anlık hava kalitesi bir önceki durumlardan etkilendiğinden dolayı bu çalışmada LSTM derin öğrenme modeli bir ilin PM10 değerlerinin tahmin edilmesi için önerilmiştir. Önerilen LSTM tabanlı modelin performansı klasik derin öğrenme yöntemi (DL) ile karşılaştırılmıştır. Yöntemlerin başarım performansını irdelemek için değerlendirme kriteri ortalama hata kare kökü (RMSE) ve ortalama mutlak hata (MAE) değerleri kullanılmıştır. Deneysel değerlendirmeler, önerilen LSTM yönteminin DL yöntemine göre PM10 değerlerinin tahmininde daha başarılı tahminler elde ettiğini göstermektedir. Ayrıca LSTM yönteminin veri kaybı olduğu durumlarda DL yöntemine kıyasla veri sayısından daha az etkilendiği görülmüştür.

Anahtar Kelimeler

• Lstm
• Derin Öğrenme
• Hava Kirliliği Tahmini
• PM10

Air Pollution Prediction for Central Anatolia Region and Its Surroundings with Deep Learning Method

Abstract

Developments in industry, population growth and unplanned urbanization are the main factors of air pollution increase. Since air pollution negatively affects all ecology and human health, it has global importance. Precautions should be taken to prevent dangerous situations that may arise from air pollution. Hazardous situations that may occur can be prevented by predicting the factors affecting air pollution. The particulate matter (PM) value is a commonly used parameter to indicate the degree of air pollution. The parameter PM10, which is defined as particles with an aerodynamic diameter less than 10 µm, exceeds the limit values determined for our country, and therefore it is of great importance to take precautions in the increase of PM10 concentration. In this study, the values of the PM10 parameter, which has a great role in determining the air quality, is tried to be predicted. In this study, real measurement data of the Central Anatolian Region and surrounding stations belonging to the General Directorate of Meteorology were used. The value of the PM10 parameter was estimated by using the values of the pollutant parameters used in the calculation of the air quality index. In recent years, deep learning methods have been frequently used for prediction. The long-term short-memory network (LSTM) model, one of the deep learning methods, is widely used in datasets that are temporally affected by the previous situation. Since the previous conditions affect the instantaneous air quality, LSTM deep learning model is proposed to predict PM10 values of a city. The performance of the proposed LSTM-based model is compared with the classical deep learning method (DL). Root mean error square (RMSE) and mean absolute error (MAE) values were used to evaluate the performance of the methods. Experimental evaluations show that the proposed LSTM method is more successful in estimating PM10 values than the DL method. In addition, it has been observed that the LSTM method is less affected by the number of data compared to the DL method in cases where there is data loss.

Keywords

• Lstm
• Deep Learning
• Air Pollution Prediction
• PM10

Kaynakça

1. Buduma, N., & Locascio, N. (2017). Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms.
2. Chakraborty, K., Mehrotra, K., Mohan, C. K., & Ranka, S. (1992). Forecasting the behavior of multivariate time series using neural networks. Neural Networks, 5(6), 961–970. https://doi.org/10.1016/S0893-6080(05)80092-9
3. Duan, Y., Lv, Y., & Wang, F. Y. (2016). Travel time prediction with LSTM neural network. IEEE Conference on Intelligent Transportation Systems, Proceedings, ITSC, 1053–1058. https://doi.org/10.1109/ITSC.2016.7795686
4. Gers, F.A., Schmidhuber, J., & Cummins, F.A. (2000). Learning to Forget: Continual Prediction with LSTM. Neural Computation, 12, 2451-2471.
5. Google Earth, (2021, 5 Ekim) erişim adresi: https://earth.google.com
6. Hava Kalitesi Değerlendirme ve Yönetimi Yönetmeliği. (2008, 06 Haziran). Resmi Gazete (Sayı: 26898). Erişim adresi: https://www.resmigazete.gov.tr/eskiler/2008/06/20080606-6.htm
7. Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9, 1735-1780. doi: https://doi.org/10.1162/neco.1997.9.8.1735
8. Kirletici Parametre Ayarları, (2021, 5 Ekim) Erişim adresi: ttps://sim.csb.gov.tr/Intro/ParametersMeta

9. Li, X., Jin, L., & Kan, H. (2019). Air pollution: a global problem needs local fixes. Nature, 570(7762), 437–439. https://doi.org/10.1038/d41586-019-01960-7
10. Lu, F., Xu, D., Cheng, Y., Dong, S., Guo, C., Jiang, X., & Zheng, X. (2015). Systematic review and meta-analysis of the adverse health effects of ambient PM2.5 and PM10 pollution in the Chinese population. Environmental Research, 136, 196–204. https://doi.org/10.1016/J.ENVRES.2014.06.029
11. Ravì, D., Wong, C., Deligianni, F., Berthelot, M., Andreu-Perez, J., Lo, B.P., & Yang, G. (2017). Deep Learning for Health Informatics. IEEE Journal of Biomedical and Health Informatics, 21, 4-21.
12. Samarawickrama, A.J., & Fernando, T.G. (2017). A recurrent neural network approach in predicting daily stock prices an application to the Sri Lankan stock market. 2017 IEEE International Conference on Industrial and Information Systems (ICIIS), 1-6.
13. Samui, S., Chakrabarti, I., & Ghosh, S.K. (2018). Tensor-Train Long Short-Term Memory for Monaural Speech Enhancement. ArXiv, abs/1812.10095.
14. Scapellato, M. L., Canova, C., de Simone, A., Carrieri, M., Maestrelli, P., Simonato, L., & Bartolucci, G. B. (2009). Personal PM10 exposure in asthmatic adults in Padova, Italy: seasonal variability and factors affecting individual concentrations of particulate matter. International Journal of Hygiene and Environmental Health, 212(6), 626–636. https://doi.org/10.1016/J.IJHEH.2009.06.001
15. Şeker, A., Diri, B., & Balik, H.H. (2017). Derin Öğrenme Yöntemleri ve Uygulamaları Hakkında Bir İnceleme.
16. Turner, M. C., Krewski, D., Pope, C. A., Chen, Y., Gapstur, S. M., & Thun, M. J. (2011). Long-term Ambient Fine Particulate Matter Air Pollution and Lung Cancer in a Large Cohort of Never-Smokers. American Journal of Respiratory and Critical Care Medicine, 184(12), 1374–1381. https://doi.org/10.1164/rccm.201106-1011OC
17. Janssen, N. A. H., Fischer, P., Marra, M., Ameling, C., & Cassee, F. R. (2013). Short-term effects of PM2.5, PM10 and PM2.5–10 on daily mortality in the Netherlands. Science of The Total Environment, 463–464, 20–26. https://doi.org/10.1016/J.SCITOTENV.2013.05.062
18. Wu, S., Deng, F., Hao, Y., Wang, X., Zheng, C., Lv, H., Lu, X., Wei, H., Huang, J., Qin, Y., Shima, M., & Guo, X. (2014). Fine particulate matter, temperature, and lung function in healthy adults: Findings from the HVNR study. Chemosphere, 108, 168–174. https://doi.org/10.1016/J.CHEMOSPHERE.2014.01.032
19. Young, T., Hazarika, D., Poria, S., & Cambria, E. (2018). Recent Trends in Deep Learning Based Natural Language Processing [Review Article]. IEEE Computational Intelligence Magazine, 13, 55-75.
20. Zeydan, Ö. (2021). 2019 Yılında Türkiye’deki Partikül Madde (PM10) Kirliliğinin Değerlendirilmesi. Journal of the Institute of Science and Technology, 11 (1), 106-118. DOI: 10.21597/jist.745539