Hava Kirliliği Değerlerinin Makine Öğrenmesi ve Hibrit Yöntemler İle Tahmini: İstanbul Örneği

Yıl 2025, Cilt: 6 Sayı: 2, 190 - 203, 23.10.2025

Serkan Metin

Öz

Bu çalışma, İstanbul’daki hava kirliliği seviyelerinin (PM10, SO2, NO2, NOX ve NO) makine öğrenmesi ve hibrit yöntemlerle tahmin edilmesini amaçlamaktadır. Çalışmada, T.C. Çevre Bakanlığı’na ait Sürekli İzleme Merkezi’nden 2013-2025 tarihleri arasında toplanan 4500 veri noktası kullanılmıştır. Veri ön işleme aşamasında eksik değerler medyan ile tamamlanmış, kirleticiler arası ilişkiler korelasyon analizi ve görselleştirme teknikleriyle incelenmiştir. Modellemede Lineer Regresyon, Random Forest, SVR, XGBoost, hibrit (Voting ve Stacking) ve derin öğrenme modelleri test edilmiştir. Performans metrikleri (MSE, MAE, MAPE, R²) kapsamında en başarılı sonuçlar XGBoost ve Random Forest’tan elde edilmiştir. NO tahmininde Random Forest R²=0.967 ile en iyi performansı gösterirken, SO2 tahmininde tüm modeller düşük başarı sergilemiştir. Hibrit modeller, PM10 gibi karmaşık değişkenlerde dengeli tahminler sunarken, derin öğrenme bazı durumlarda aşırı öğrenme nedeniyle sınırlı kalmıştır. Sonuçlar, doğrusal olmayan ilişkilerin ağaç tabanlı modellerle daha iyi yakalandığını, ancak SO2 gibi yüksek varyanslı değişkenlerde ek özellik mühendisliği gerektiğini vurgulamaktadır. Çalışma, hava kalitesi yönetimi için hibrit modellerin etkinliğini ortaya koymakta ve gelecek araştırmalara meteorolojik veri entegrasyonu, hiperparametre optimizasyonu ve zaman serisi modellerinin kullanımını önermektedir

Anahtar Kelimeler

Makine Öğrenme , Hibrit Metot , Hava kirliliği , PM10

Prediction of Air Pollution Levels Using Machine Learning and Hybrid Methods: The Case of Istanbul

Öz

This study aims to predict air pollution levels (PM10, SO₂, NO₂, NOₓ, and NO) in Istanbul using machine learning and hybrid methods. A total of 4,500 data points collected between 2013 and 2025 from the Continuous Monitoring Center of the Ministry of Environment of the Republic of Turkey were used. During the data preprocessing phase, missing values were imputed using the median, and the interrelationships among pollutants were examined through correlation analysis and visualization techniques. The modeling phase involved testing various approaches including Linear Regression, Random Forest, Support Vector Regression (SVR), XGBoost, hybrid models (Voting and Stacking), and deep learning models. According to performance metrics (MSE, MAE, MAPE, and R²), XGBoost and Random Forest yielded the most accurate results. For NO prediction, Random Forest achieved the best performance with R² = 0.967, whereas all models showed limited success in predicting SO₂ levels. While hybrid models provided balanced predictions for complex variables such as PM10, deep learning models were occasionally constrained due to overfitting. The findings indicate that tree-based models are more effective in capturing non-linear relationships; however, additional feature engineering is required for high-variance variables like SO₂. Overall, the study demonstrates the effectiveness of hybrid models in air quality management and suggests the integration of meteorological data, hyperparameter optimization, and the adoption of time series models for future research.

Anahtar Kelimeler

Machine Learning , Hybrid Methods , Air pollution , PM10

Kaynakça

• Aladağ, E. (2023). Ampirik Mod Ayrıştırmasına Dayalı ARIMA Modeli Kullanılarak Van İli Hava Kirliliğinin Tahmini. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 28(2), 495-509.
• Altunkaynak, A., Başakın, E. E. & Kartal, E. (2020). Dalgacık K-En Yakın Komşuluk Yöntemi İle Hava Kirliliği Tahmini. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 25(3), 1547- 1556 DOI: 10.17482/uumfd.809938
• Amritha, S. Varikoden, H., Patel, V. K., Kuttippurath, J. & Gopikrishnan, G.S. (2024). Global, regional and city scale changes in atmospheric NO₂ with environmental laws and policies. Sustainable Cities and Society, 112,105617 https://doi.org/10.1016/j.scs.2024.105617
• Bagci, K. (2023). Application of statistical distributions to PM10 concentrations: Van, Türkiye. Van Yüzüncü Yıl University the Journal of Social Sciences Institute, 60, 87-95.
• Bai, L., Wang, J., Ma, X. & Lu, H. (2018). Air Pollution Forecasts: An Overview. Int. J. Environ. Res. Public Health,15,780; doi:10.3390/ijerph15040780.
• Balcılar, İ. (2024). Eskişehir’de hava kirliliği: PM10, PM2.5 ve SO2 konsantrasyonlarının mekânsal-zamansal değişimi ve kaynaklarının değerlendirilmesi. NÖHÜ Müh. Bilim. Derg. 13(4), 1115-1126.
• Brunekreef, B. & Holgate, S. T. (2002). Air pollution and health. The Lancet, 360(9341), 1233-1242 Can, A. & Özsoy, H. (2023). A different perspective on air pollution measurements, Journal of Polytechnic, 26(1),329-344.
• Chew, S., Kolosowska, N., Saveleva, L., Malm, T. & Kanninen, K. M. (2020). Impairment of mitochondrial function by particulate matter: Implications for the brain. Neurochemistry International, 135, 104694, https://doi.org/10.1016/j.neuint.2020.104694.
• Domańska, D. & Wojtylak, M. (2014). Explorative forecasting of air pollution. Atmospheric Environment, 92, 19-30, https://doi.org/10.1016/j.atmosenv.2014.03.041.
• Ergin, Y., Demiray, G., Ergin, B. B. & Ekuklu, G. (2024). 2023 Kahramanmaraş Depremi Sonrası Etkilenen Bazı İllerde Hava Kalitesi Değerlerinin Karşılaştırılması. Afet ve Risk Dergisi, 7(3), 697-712.
• Georgoulis, L. B., Hanninen, O., Samoli, E., Katsouyanni, K., Kunzli, N., Polanska, L., Bruin, Y. B. Alm, S. & Jantunen, M. (2002). Personal carbon monoxide exposure in five European cities and its determinants. Atmospheric Environment, 36, 963–974 https://doi.org/10.1016/S1352-2310(01)00473-3
• Gültepe, Y. (2019). Makine Öğrenmesi Algoritmaları ile Hava Kirliliği Tahmini Üzerine Karşılaştırmalı Bir Değerlendirme. Avrupa Bilim ve Teknoloji Dergisi,16, 8-15
• Gümüş, O., Şahin, Ü. A., Onat, B., Özçelik, R., Gedik, E., Solakoğlu, İ. & Taş, N. (2015). Marmara bölgesi hava kalitesinin istatistiksel yöntemlerle analizi. 6. Ulusal Hava Kirliliği ve Kontrolü Sempozyumu-2015, 780-793 Horn, S. A. & Dasgupta, P. K., (2024). The Air Quality Index (AQI) in historical and analytical perspective a tutorial review. Talanta, 25260, https://doi.org/10.1016/j.talanta.2023.125260
• Kılıç, A., Kum, S. Ünal, A. & Kındap, T. (2014). Marmara Bölgesi' ndeki Hava Kirliliğinin Modellenmesi, Kirlilik Azaltımı ve Maruziyet Analizi. BAÜ Fen Bil. Enst. Dergisi, 16(1) 27-46
• Kurt, A., Gulbagci, B., Karaca, F. & Alagha, O. (2008). An online air pollution forecasting system using neural networks. Environment International, 34, 592–598, https://doi.org/10.1016/j.envint.2007.12.020
• Partigöç, N. S. & Çubukçu, K. M. (2017). Hava Kirliliği ve Kent İlişkisine Ampirik Bakış: Ekolojik Sürdürülebilirlik Ekseninde Bir Değerlendirme. Akademia Disiplinlerarası Bilimsel Araştırmalar Dergisi, 3 (2), 28-45
• Petrić, V., Hussain, H., Časni, K., Vuckovic, M., Schopper, A., Andrijić, Z. U., Kecorius, S., Madueno, L., Kern, R. & Lovrić, M. (2024). Ensemble Machine Learning, Deep Learning, and Time Series Forecasting: Improving Prediction Accuracy for Hourly Concentrations of Ambient Air Pollutants. Aerosol and Air Quality Research. 24(12), https://doi.org/10.4209/aaqr.230317
• Polivka, B.J. (2018). The Great London Smog of 1952. AJN American Journal of Nursing, 118(4):57-61 DOI: 10.1097/01.NAJ.0000532078.72372.c3
• Ramadan, M. N. A., Ali, M. A. H., Khoo, S. Y., Alkhedher, M. & Alherbawi, M. (2024). Real-time IoT-powered AI system for monitoring and forecasting of air pollution in industrial environment. Ecotoxicology and Environmental Safety, 283, https://doi.org/10.1016/j.ecoenv.2024.116856
• Oğuz, K., & Pekin, M. A. (2024). Prediction of Air Pollution with Machine Learning Algorithms. Turkish Journal of Science & Technology, 19(1), 1-12, https://doi.org/10.55525/tjst.1224661
• The European Environment Agency. (2021). Air quality in Europe. doi: 10.2800/549289
• Thriel, C., Schäper, M., Kleinbeck, S., Kiesswetter, E., Blaszkewicz, M., Golka, K., Nies, E., Heimsoth, M. R. & Brüning, T. (2010). Sensory and pulmonary effects of acute exposure to sulfur dioxide (SO2). Toxicology Letters, 196,42–50 doi:10.1016/j.toxlet.2010.03.013
• Tütmez, B. (2020). Air Quality Assessment by Statistical Learning-Based Regularization. Çukurova Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 35(2), 271-278
• Yang, C. H., Chen, P. H., Yang, C. C. & Chuang, L. Y. (2024). Analysis and Forecasting of Air Pollution on Nitrogen Dioxide and Sulfur Dioxide Using Deep Learning. IEEE Access, 12, 165236 – 165252, DOI: 10.1109/ACCESS.2024.3494263
• Yılmaz, B. (2018). Manisa’da partikül madde (PM10) kirliliğinin değerlendirilmesi. BAUN Fen Bil. Enst. Dergisi, 20(1), 626-633
• Zeydan, Ö. (2021). 2019 Yılında Türkiye’deki Partikül Madde (PM10) Kirliliğinin Değerlendirilmesi. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 11(1): 106-118
• Zhang, Y., Wu, M. & Guo, B. (2024). Identifying the Effect of Air Quality on Analysts' Forecasts. Available at SSRN: https://ssrn.com/abstract=4920895
• Zoran, M. A. Savastru, R. S. Savastru, D. M. & Tautan, M. N. (2020). Assessing the relationship between ground levels of ozone (O3) and nitrogen dioxide (NO2) with coronavirus (COVID-19) in Milan, Italy, Science of the Total Environment, 740,140005, https://doi.org/10.1016/j.scitotenv.2020.140005