Zaman Serisi Kümelemesinin Türkiye’deki hava kirliliği izleme istasyonlarındaki bilgi fazlalığının tespit edilmesine uygulanması

Yıl 2016, , 605 - 616, 02.09.2016

Öznur İşçi Güneri , Nevin Güler Dinçer , Muhammet Oğuzhan Yalçın

https://doi.org/10.16984/saufenbilder.69439

Öz

Bu çalışmanın amacı Türkiye’de PM₁₀ ve SO₂ kirleticileri konsantrasyonları bakımından benzer davranışa sahip hava kirliliği izleme istasyonlarını belirlemek ve böylece izleme maliyetini ve bilgi fazlalığını azaltmaktır. Bu amaca yönelik olarak, otoregresif modele dayanan Bulanık k-Medoidler (BKM) algoritması kullanılmıştır. Yapılan analizler sonucunda, izleme istasyonlarındaki bilgi fazlalılığının ve bununla birlikle izleme maliyetinin PM₁₀ hava kirleticisi için yaklaşık olarak %78.5, SO₂ hava kirleticisi için  %73.5 azaltılabileceği sonucunda ulaşılmıştır.

Anahtar Kelimeler

Otoregresif model, bulanık k-medoid kümeleme, hava kalitesi izleme istasyonları

Time Series Clustering’s application to identifying of information redundancy at air pollution monitoring stations in Turkey

Öz

The aim of study is to determine the monitoring stations having similar behavior with respect to PM₁₀ and SO₂ concentrations and thus decrease monitoring cost and information redundancy. For this purpose, autoregressive model based Fuzzy K-medoids algorithm is used. At the results of analyses, it has been concluded that information redundancy in monitoring stations and thus monitoring cost can be decreased approximately 78.5% for PM₁₀ air pollutant, 73.5% for SO₂ air pollutant.  

Anahtar Kelimeler

Autoregressive model, fuzzy k-medoids clustering, air quality monitoring stations

Kaynakça

• Ö. Akyürek, O. Arslan ve A. Karedemir, «SO2 ve PM10 Hava Kirliliği Parametrelerinin CBS ile Konumsal Analizi: Kocaeli Örneği,» TMMOB Coğrafi Bilgi Sistemleri Kongresi, Ankara, 2013.
• D. A. Dickey ve W. A. Fuller, «Distribution of the Estimators for Autoregressive Time Series with a Unit Root,» Journal of the American Statistical Association, no. 74, pp. 427-431, 1979.
• C. Lavecchia, E. Angelino, M. Bedogni, E. Brevetti, R. Gualdi, G. Lanzani, A. Musitelli ve M. Valentini, «The Ozone Patterns in the Aerological Basin Of Milan (Italy),» Environ Softw, no. 11, pp. 73-80, 1996.
• C. Ortuno, M. Jaimes, R. Munoz, R. Ramos ve V. H. Paramo, «Redundancy Analysis for the Mexico City Air Monitoring Network: The Case of CO.,» 1997. [Çevrimiçi]. Available: http://files.abstractsonline.com/CTRL/2D/A/06E/7F9/022/434/F8D/F8C/2D3/E4B/F3E/66/a1177_1.doc. [tarihinde erişilmiştir 06 13 2016].
• C. Silva ve A. Quiroz, «Optimization of The Atmospheric Pollution Monitoring Network at Santiago De Chile,» Atmos Environ,, no. 37, pp. 2337-2345, 2003.
• S. Saksena, V. Joshi ve R. S. Patil, «Cluster Analysis of Delhi’s Ambient Air Quality Data,» J Environ Monit, no. 5, pp. 491-499, 2003.
• V. V. M. Gabushi, V. Gabushi ve M. Volta, «A Methodology for Seasonal Photochemical Model Simulation Assessment,» J Environ Pollut, no. 24, pp. 11-21, 2005.
• W. Z. Lu, H. D. He ve L. Y. Dong, «Performance Assessment of Air Quality Monitoring Networks Using Principal Component Analysis and Cluster Analysis,» Build Environ, no. 46, pp. 577-583, 2011.
• E. Gramsh, F. Cereceda-Balic, P. Oyola ve D. Von Baer, «Examination of Pollution Trends in Santiago De Chile With Cluster Analysis of PM10 and Ozone Data,» Atmos Environ, no. 40, pp. 5464-5475, 2006.
• I. Morlini, «Searching for Structure in Measurements of Air Pollutant Concentration,» Environmetrics, no. 18, pp. 823-840, 2007.
• D. Giri, V. Murthy, P. R. Adhikary ve N. Khanal, «Ambient Air Quality of Kathmandu Valley as Reflected by Atmospheric Particulate Matter Concentrations PM10,» International Journal of Environmental Science and Technology, no. 9, 2006.
• J. M. Pires, S. V. Sousa, M. C. Pereira, M. M. Alvim-Ferraz ve F. G. Martins, «Management of Air Quality Monitoring Using Principal Component and Cluster Analysis—Part I: SO2 and PM10,» Atmos Environ, no. 42, pp. 1249-1260, 2008a.
• J. M. Pires, S. V. Sousa, M. C. Pereira, M. M. Alvim-Ferraz ve F. G. Martins, «Management of Air Quality Monitoring Using Principal Component and Cluster Analysis—Part II: CO, NO2 and O3,» Atmos Environ, no. 42, pp. 1261-1274, 2008b.
• R. Ignaccolo, S. Ghigo ve E. Giovenali, «Analysis of Monitoring Networks by Functional Clustering,» Environmetrics, no. 62, pp. 672-686, 2008.
• J. Lau, W. T. Hung ve C. S. Cheung, «Interpretation of Air Quality in Relation to Monitoring Station’s Surroundings,» Atmos Environ, no. 43, pp. 769-777, 2009.
• P. D'Urso ve E. A. Maharaj, «Autocorrelation-Based Fuzzy Clustering of Time Series,» Fuzzy Sets Syst, no. 160, pp. 3565-3589, 2009.
• P. D'Urso ve E. A. Maharaj, «Wavelets-Based Clustering of Multivariate Time Series,» Fuzzy Sets and Systems, no. 193, pp. 33-361, 2012.
• P. D'Urso, D. Di Lallo ve E. A. Maharaj, «Autoregressive Model-Based Fuzzy Clustering and its Application for Detecting Information Redundancy in Air Pollution Monitoring Network,» Soft Computing, cilt 1, no. 17, pp. 13-83, 2013.
• A. Iizuka, S. Shirato, A. Mizukoshi, M. Noguchi, A. Yamasaki ve Y. Yanagisawa, «A Cluster Analysis of Constant Ambient Air Monitoring Data from the Kanto Region of Japan,» Int. J. Environ. Res. Public Health, cilt 7, no. 11, pp. 6844-6855, 2014.
• G. B. Box, G. M. Jenkins, G. C. Reinsel ve L. M. Liu, Time Series Analysis, Pearson Education, 2009.
• L. Xie ve G. Beni, «A Validity Measure for Fuzzy Clustering,» IEEE Transactions on Pattern Analysis and Machine Intelligence, cilt 8, no. 13, pp. 841-847, 1991.
• L. Kaufman ve P. J. Rousseuw, Clustering by Means of Medoids. in: Y. Dodge (Ed.), Statistical Data Analysis based on the L1 Norm (North-Holland, Amsterdam, 1987), 1987, pp. 405-416.