Makine Öğrenmesi Algoritmaları Kullanılarak Hava Kalitesi İndeksinin Tahmini

Yıl 2023, , 97 - 107, 31.08.2023

Mustafa Akgün , Necla Barlik

https://doi.org/10.31590/ejosat.1241170

Cited By: 1

Öz

Bu çalışmada; 15/09/2019 – 15/05/2020 ve 15/09/2020 – 15/05/2021 tarihleri arasındaki Ardahan, Kars, Erzurum ve Iğdır illeri şehir merkezlerindeki hava kalitesi indeksi (HKİ) ve meteorolojik parametreler (ortalama sıcaklık, yağış, bulutluluk, nispi nem, basınç, rüzgâr hızı) arasında çoklu doğrusal regresyon analizi ve makine öğrenmesi yöntemleri kullanılarak HKİ’nin tahmin edilmesi amaçlanmıştır. Çoklu doğrusal regresyon analizi ile yapılan HKİ’ni tahminleme oranı %41.8 bulunmuştur. Makine öğrenmesi yöntemlerinden Naive Bayes algoritmasının HKİ’ni %68.91, Karar Ağacı algoritmasının HKİ’ni %70.29, Derin öğrenme algoritmasının HKİ’ni %73.05, k-NN algoritmasının HKİ’ni %73.35 ve Rastgele Orman algoritmasının HKİ’ni %74.89 doğrulukla tahmin ettiği sonucuna ulaşılmıştır.

Anahtar Kelimeler

Hava kalitesi indeksi, Makine öğrenmesi, Meteorolojik parametreler.

Estimation of Air Quality Index Using Machine Learning Algorithms

Öz

Bu çalışmada; 15/09/2019 – 15/05/2020 ve 15/09/2020 – 15/05/2021 tarihleri arasındaki Ardahan, Kars, Erzurum ve Iğdır illeri şehir merkezlerindeki hava kalitesi indeksi (HKİ) ve meteorolojik parametreler (ortalama sıcaklık, yağış, bulutluluk, nispi nem, basınç, rüzgâr hızı) arasında çoklu doğrusal regresyon analizi ve makine öğrenmesi yöntemleri kullanılarak HKİ’nin tahmin edilmesi amaçlanmıştır. Çoklu doğrusal regresyon analizi ile yapılan HKİ’ni tahminleme oranı %41.8 bulunmuştur. Makine öğrenmesi yöntemlerinden Naive Bayes algoritmasının HKİ’ni %68.91, Karar Ağacı algoritmasının HKİ’ni %70.29, Derin öğrenme algoritmasının HKİ’ni %73.05, k-NN algoritmasının HKİ’ni %73.35 ve Rastgele Orman algoritmasının HKİ’ni %74.89 doğrulukla tahmin ettiği sonucuna ulaşılmıştır.

Anahtar Kelimeler

Hava kalitesi indeksi, Makine öğrenmesi, Meteorolojik parametreler.

Kaynakça

• Akan, D. S., & Morcalı, M. H. (2017). Kahramanmaraş Hava Kirliliği Kaynaklarının İzlenmesi ve Belirlenmesi Monitoring and Determination of Air Pollution Sources in Kahramanmaras. KSU Journal of Engineering Sciences, 20(2), 105–115.
• Arı, A., & Berberler, M. E. (2017). Yapay Sinir Ağları ile Tahmin ve Sınıflandırma Problemlerinin Çözümü İçin Arayüz Tasarımı. Acta Infologica, 1(2), 55–73. https://dergipark.org.tr/en/pub/acin/issue/33868/335553
• Ayturan, Y. A. (2019). Derin Ögrenme ile Havadaki Partikül Madde Konsantrasyonu Tahmin (Vol. 8, Issue 5). Karatay Üniversitesi.
• Büyüköztürk, Ş. (2013). Sosyal Bilimler İçin Veri Analizi El Kitabı (18th ed.). Pegem Akademi.
• Çelik, D. B., & Arıcı, N. (2021). Covid-19 Salgın Sürecinde Hava Kalitesi Tahmini: Zonguldak Örneği. Gazi Journal of Engineering Sciences, 7(3), 222–232. https://doi.org/10.30855/gmbd.2021.03.05
• Dokuz, Y., Bozdağ, A., & Gökçek, B. (2020). HavKali̇tesiParametreleri̇ni̇Tahmi̇ni̇ ve Mekansal Dağilim İçi̇n Maki̇ne Öğrenmesi Yöntemleri̇ni̇n Kullanilmasi. Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 9(1), 37–47. https://doi.org/10.28948/ngumuh.654092
• Fang, C., Liu, H., Li, G., Sun, D., & Miao, Z. (2015). Estimating the impact of urbanization on air quality in China using spatial regression models. Sustainability (Switzerland), 7(11), 15570–15592. https://doi.org/10.3390/su71115570
• Guliyev, R., & Akgün, M. (2020). Ardahan’da kullanılan kömürün hava kirliliğine etkisinin incelenmesi. Balıkesir Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 22(2), 479–489. https://doi.org/10.25092/baunfbed.709411
• Guo, Y., Liu, Y., Oerlemans, A., Lao, S., Wu, S., & Lew, M. S. (2016). Deep learning for visual understanding: A review. Neurocomputing, 187, 27–48. https://doi.org/10.1016/j.neucom.2015.09.116
• Gökçek, Begüm Öznur, Nuray Şaşa, Yeşim Dokuz, and Aslı Bozdağ. 2022. “PM10 Parametresinin Makine Öğrenmesi Algoritmalari Ile Mekânsal Analizi, Kayseri İli Örneği.” Deu Muhendislik Fakultesi Fen ve Muhendislik 24(70):65–80. doi: 10.21205/deufmd.2022247008.
• Gültepe, Yasemin. 2019. “Makine Öğrenmesi Algoritmaları Ile Hava Kirliliği Tahmini Üzerine Karşılaştırmalı Bir Değerlendirme.” European Journal of Science and Technology (16):8–15. doi: 10.31590/ejosat.530347.
• Hastie, T., Tibshirani, R., & Friedman, J. (2008). El anillo esofágico inferior. In The Elements of Statistical Learning (Issue 2).
• Irmak, M. E., & Aydilek, İ. B. (2019). Hava Kalite İndeksinin Tahmin Başarısının Artırılması için Topluluk Regresyon Algoritmalarının Kullanılması. Academic Platform Journal of Engineering and Science, 507–514. https://doi.org/10.21541/apjes.478038
• Kampa, M., & Castanas, E. (2008). Human health effects of air pollution. Environmental Pollution, 151(2), 362–367. https://doi.org/10.1016/j.envpol.2007.06.012
• Katsouyanni, K., Touloumi, G., Samoli, E., Gryparis, A., Le Tertre, A., Monopolis, Y., Rossi, G., Zmirou, D., Ballester, F., Boumghar, A., Anderson, H. R., Wojtyniak, B., Paldy, A., Braunstein, R., Pekkanen, J., Schindler, C., & Schwartz, J. (2001). Confounding and effect modification in the short-term effects of ambient particles on total mortality: Results from 29 European cities within the APHEA2 project. Epidemiology, 12(5), 521–531. https://doi.org/10.1097/00001648-200109000-00011
• Kuncheva, L. I. (2014). Combining Pattern Classifiers. In Combining Pattern Classifiers (2nd ed.). Wiley. https://doi.org/10.1002/9781118914564.ch9
• Kyrkilis, G., Chaloulakou, A., & Kassomenos, P. A. (2007). Development of an aggregate Air Quality Index for an urban Mediterranean agglomeration: Relation to potential health effects. Environment International, 33(5), 670–676. https://doi.org/10.1016/j.envint.2007.01.010
• Marsland, S. (2014). Machine Learning An Algorithmic Perspective Second Edition. https://b-ok.cc/book/2543746/ef80cb
• Mehtap, Öklü, and Pelin Canbay. 2023. “Makine Öğrenmesi Yöntemleri Ile Şehirlerin Hava Kalitesi Tahmini.” International Journal of Advances in Engineering and Pure Sciences 35(1):39–53. doi: 10.7240/jeps.1175507.
• Rybarczyk, Y., & Zalakeviciute, R. (2016). Machine learning approach to forecasting urban pollution. 2016 IEEE Ecuador Technical Chapters Meeting, ETCM 2016. https://doi.org/10.1109/ETCM.2016.7750810
• T.C. Çevre, Şehircilik ve İklim Değişikliği Bakanlığı. (2022). https://sim.csb.gov.tr/Home/HKI?baslik=HAVZA İZLEME SİSTEMİ
• T.C. Sağlık Bakanlığı. (2014). Türki̇ye kroni̇k hava yolu hastaliklari önleme ve kontrol programi (2014-2017).
• Ünaldı, S., & Yalçın, N. (2022). Hava Kirliliğinin Makine Öğrenmesi Tabanlı Tahmini: Başakşehir Örneği Prediction of Air Pollution based on Machine Learning Methods: A Case Study for Başakşehir, İstanbul. 4(1), 35–44.
• Vembandasamy, K., Sasipriya, R., & Deepa, E. (2015). Heart Diseases Detection Using Naive Bayes Algorithm. International Journal of Innovative Science, Engineering & Technology, 2(9), 441–444.
• Witten, I. H., & Frank, E. (2005). Credibility: Evaluating What’s been Learned. In Data Mining: Practical machine learning tools and techniques.http://books.google.com/books?hl=en&lr=&id=QTnOcZJzlUoC&oi=fnd&pg=PR17&dq=Data+Mining+Practical+Machine+Learning+Tools+and+Techniques&ots=3gpDdrWiOc&sig=TZS7G8l1eXSa2SpAvfD6aBoJ2lw