Prediction of Ocean Acidification Using Machine Learning

Öz

One of today's significant environmental issues, ocean acidification poses a serious threat, particularly to marine ecosystems and economies that rely on seafood. This study aims to address ocean acidification by developing a prediction model using machine learning methods. The developed model is intended to be utilized in decision support systems to predict the impacts of acidification in advance and assist in planning relevant preventive measures. The study uses the Global Ocean Acidification Trends and Impacts dataset, which contains 13 features. Among these, the features with the highest correlation with ocean acidification (pH) were identified as Global Warming Contribution from Fossil Fuels, Gas, and Year, respectively. Missing data were handled through central tendency measures, completing the preprocessing phase. During the model development stage, 11 different machine learning algorithms were tested and compared. The ExtraTrees algorithm achieved the best performance, with the lowest MSE (3.273 × 10⁻⁶) and MAE (1.055 × 10⁻³), and the highest R² score (0.99696). Other ensemble methods, such as Decision Tree, Gradient Boosting, and Random Forest, also demonstrated high performance. The results of the study are consistent with similar research in the literature and indicate that machine learning methods can be effective tools for predicting ocean acidification. For future studies, increasing the sample size of the dataset could enhance the model’s generalizability, and deep learning techniques could be applied to develop more comprehensive prediction models. Furthermore, it is recommended that efforts to raise awareness about ocean acidification be emphasized.

Anahtar Kelimeler

• Ocean Acidification
• Machine Learning
• Environmental Pollution

Makine Öğrenmesi ile Okyanus Asidifikasyonu Tahmini

Öz

Günümüzün önemli çevresel sorunlarından biri olan okyanus asidifikasyonu, özellikle deniz ekosistemleri ve deniz ürünlerine dayalı ekonomiler üzerinde ciddi tehditler oluşturmaktadır. Bu çalışma, okyanus asidifikasyonunu ele alarak makine öğrenmesi yöntemleriyle bir tahmin modeli geliştirmeyi amaçlamaktadır. Geliştirilen modelin, karar destek sistemlerinde kullanılarak asidifikasyonun etkilerini önceden belirlemeye ve ilgili önlemleri planlamaya katkı sağlaması hedeflenmektedir. Çalışmada küresel okyanus asidifikasyonu eğilimleri veri seti kullanılmış ve 13 öznitelik içeren bu veri setinde okyanus asidifikasyonu (pH) ile en yüksek korelasyona sahip özniteliklerin sırasıyla fosil yakıtlardan kaynaklanan küresel ısınma katkısı, gaz ve yıl olduğu tespit edilmiştir. Eksik veriler, merkezi eğilim ölçüleri ile doldurularak ön işleme süreci tamamlanmıştır. Model geliştirme aşamasında 11 farklı makine öğrenmesi algoritması test edilmiş ve sonuçlar karşılaştırılmıştır. Ekstra Ağaçlar algoritması, en düşük MSE (3.273 × 10⁻⁶) ve MAE (1.055 × 10⁻³) değerlerine sahip olup, R² skoru (0.99696) ile en yüksek doğruluk oranını göstermiştir. Karar Ağacı, Gradyan Artırma ve Rastgele Ormanlar gibi diğer topluluk yöntemleri de yüksek performans sergilemiştir. Çalışmanın sonuçları, literatürdeki benzer araştırmalarla uyumludur ve makine öğrenmesi yöntemlerinin okyanus asidifikasyonunu tahmin etmede etkili bir araç olabileceğini göstermektedir. Gelecekteki çalışmalar için, veri setinin örnek sayısının artırılmasıyla modelin genellenebilirliği güçlendirilebilir ve derin öğrenme teknikleri uygulanarak daha kapsamlı tahmin modelleri geliştirilebilir. Ayrıca, okyanus asidifikasyonuna yönelik farkındalık çalışmalarına ağırlık verilmesi gerektiği önerilmektedir.

Anahtar Kelimeler

• Okyanus asidifikasyonu
• makine öğrenmesi
• çevre kirliliği

Kaynakça

1. Ahmad, M. W., Reynolds, J., & Rezgui, Y. (2018). Predictive modelling for solar thermal energy systems: A comparison of support vector regression, random forest, extra trees and regression trees. Journal of Cleaner Production, 203, 810–821. https://doi.org/10.1016/j.jclepro.2018.08.207
2. Akbulut, S., & Adem, K. (2023). Derin öğrenme ve makine öğrenmesi yöntemleri kullanılarak gelişmekte olan ülkelerin finansal enstrümanlarının etkileşimi ile BIST 100 tahmini. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 12(1), 52–63.
3. Alfian, G., Syafrudin, M., Fahrurrozi, I., Fitriyani, N. L., Atmaji, F. T. D., Widodo, T., & Rhee, J. (2022). Predicting breast cancer from risk factors using SVM and extra-trees-based feature selection. Computers, 11(9), 136. https://doi.org/10.3390/computers11090136
4. Alver, D. O., Isik, H., Palabiyik, S., Akkan, B. E., & Akkan, T. (2025). pH acidification in the Red Sea: A machine learning-based validation study. Journal of Sea Research, Article 102613.
5. Atar, H. H., & Kızılgök, A. B. (2018). Küresel ısınmanın balıkçılığa etkileri. Third Sector Social Economic Review, 53(3), 1102–1115.
6. Berrouachedi, A., Jaziri, R., & Bernard, G. (2019). Deep cascade of extra trees. In Trends and applications in knowledge discovery and data mining (pp. 117–129). Springer.
7. Biau, G., & Scornet, E. (2016). A random forest guided tour. Test, 25(2), 197–227.
8. Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324

9. Canaz Sevgen, S., & Aliefendioğlu, Y. (2020). Mass appraisal with a machine learning algorithm: Random forest regression. Bilişim Teknolojileri Dergisi, 13(3), 301–311.
10. Çalış, A., Kayapınar, S., & Çetinyokuş, T. (2014). Veri madenciliğinde karar ağacı algoritmaları ile bilgisayar ve internet güvenliği üzerine bir uygulama. Endüstri Mühendisliği, 25(3), 2–19.
11. Doney, S. C., Fabry, V. J., Feely, R. A., & Kleypas, J. A. (2009). Ocean acidification: The other problem. Annual Review of Marine Science, 1, 169–192.
12. Elma, E., & İlhan, N. (2024). Çevrimiçi sosyal ağlarda sahte hesap tespiti. Harran Üniversitesi Mühendislik Dergisi, 9(2), 71–89.
13. Feely, R. A. (2004). Impact of anthropogenic CO2 on the CaCO3 system in the oceans. Science, 305(5682), 362–366.
14. Gattuso, J. P., Brewer, P. G., Hoegh-Guldberg, O., Kleypas, J. A., Pörtner, H. O., & Schmidt, D. N. (2014). Cross-chapter box on ocean acidification. In C. B. Field et al. (Eds.), Climate change 2014: Impacts, adaptation, and vulnerability (pp. 129–131). Cambridge University Press.
15. Geurts, P., Ernst, D., & Wehenkel, L. (2006). Extremely randomized trees. Machine Learning, 63, 3–42. He, Z., Lin, D., Lau, T., & Wu, M. (2019). Gradient boosting machine: A survey. arXiv. https://doi.org/10.48550/arXiv.1908.06951
16. Jannani, A., Sael, N., & Benabbou, F. (2021). Predicting quality of life using machine learning: Case of world happiness index. 2021 4th International Symposium on Advanced Electrical and Communication Technologies (ISAECT), 1–6.
17. Jayasurya, S. (2024). Global ocean acidification trends and impacts [Data set]. Kaggle. https://www.kaggle.com/datasets/jayasurya666/global-ocean-acidification-trends-and-impacts
18. John, V., Liu, Z., Guo, C., Mita, S., & Kidono, K. (2016). Real-time lane estimation using deep features and extra trees regression. In Image and Video Technology (pp. 721–733). Springer.
19. Joshi, A. P., Kumar, V., & Warrior, H. V. (2022). Modeling the sea-surface pCO2 of the central Bay of Bengal region using machine learning algorithms. Ocean Modelling, 180, 102094.
20. Karahan, A. (2021). İklim değişikliğinin istilacı yabancı türlerin başarısına etkisi. Türkiye Deniz Bilimleri Vakfı Yayınları, 2(1), 12–25.
21. Krasting, J. P., De Palma, M., Sonnewald, M., Dunne, J. P., & John, J. G. (2022). Regional sensitivity patterns of Arctic Ocean acidification revealed with machine learning. Communications Earth & Environment, 3(1), 91.
22. Mastelini, S. M., Nakano, F. K., Vens, C., & de Leon Ferreira, A. C. P. (2022). Online extra trees regressor. IEEE Transactions on Neural Networks and Learning Systems, 34(10), 6755–6767.
23. Mienye, I. D., & Jere, N. (2024). A survey of decision trees: Concepts, algorithms, and applications. IEEE Access, 12, 86716–86727.
24. Nadkarni, S. B., Vijay, G. S., & Kamath, R. C. (2023). Comparative study of random forest and gradient boosting algorithms to predict airfoil self-noise. Engineering Proceedings, 59(1), 24.
25. Natekin, A., & Knoll, A. (2013). Gradient boosting machines, a tutorial. Frontiers in Neurorobotics, 7, 21. Özhan, K., Kocaman, E., & Ibello, V. (2022). Doğu Akdeniz’de okyanus asitlenmesi ve antropojenik karbonun ekosisteme etkileri. Deniz Bilimleri Araştırma Dergisi, 10(2), 45–60.
26. Parlak, M. S., & Kayri, M. (2022). Öğretmenlerin e-öğrenme hazırbulunuşluk düzeylerini etkileyen faktörlerin rastgele orman algoritması yöntemi ile incelenmesi. Van Yüzüncü Yıl Üniversitesi Eğitim Fakültesi Dergisi, 19(3), 670–696.
27. Pathan, S. S. (2021). An approach to decision tree induction for classification. Turkish Journal of Computer and Mathematics Education, 12(12), 919–928.
28. Quayesam, D. L., Akubire, J. A., & Darkwah, O. A. G. (2025). *A comparison of machine learning algorithms for predicting sea surface temperature*. arXiv. https://arxiv.org/abs/2411.15202
29. Ramdas, R., Patnaik, B. S., Parmar, A., Tadepalli, S. K., & Vasanth, K. (2024). Beyond pH levels: A comprehensive survey on ocean acidification. 2024 Second International Conference on Emerging Trends in Information Technology and Engineering (ICETITE), 1–9.
30. Sonmez, M. E., Gumus, N. E., Eczacioglu, N., Develi, E. E., Yücel, K., & Yildiz, H. B. (2024). Enhancing microalgae classification accuracy in marine ecosystems through convolutional neural networks and support vector machines. Marine Pollution Bulletin, 205, 116616.
31. Taner, A. C., & Odası, F. M. (2015). Küresel okyanus sularının ısınması ve asitlenmesi sonucu deniz ürünleri çeşitliliği azalmasının önlenmesi ve 2015 BM İklim Anlaşması açmazı (Teknik rapor). Denizcilik Odası Yayınları. https://www.fmo.org.tr/wp-content/uploads/2011/07/Kuresel-Okyanus-Sularinin-Isinmasi-Asitlenmesi-Sonucu-Deniz-Urunleri-Cesitliligi-Azalmasinin-Onlenmesi-ve-2015-BM-Iklim-Anlasmasi-Acmazi.pdf
32. Tayyar, A. (2023). Küresel ısınmanın kötü ikizi – mavi ekonomi ve endüstri-içi ticaret: Türkiye için ARDL analizi. Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (57), 21–36.
33. Türk Dil Kurumu. (2023). Okyanus. Güncel Türkçe Sözlük. https://sozluk.gov.tr
34. Üngör, Y. E., & Adem, K. (2025). Makine öğrenmesi yöntemlerini optimize ederek saç dökülmesinin nedenlerini belirlemek. 4. BİLSEL International World Science and Research Congress, İstanbul.
35. Vasanth, K., Kishore, R. K., Sugumaran, V., Krishnamoorthy, R., Ramdas, R., & Tadepalli, S. K. (2024). Multi-variate hybrid modeling for Pacific Ocean acidification: Predicting future pH trends and analyzing key biogeochemical drivers. CSI Transactions on ICT, 1–18.