Covid-19 Salgın Sürecinde Hava Kalitesi Tahmini: Zonguldak Örneği

Büşra Duygu ÇELİK, (Gazi Üniversitesi, Uygulamalı Bilimler Fakültesi, Yönetim Bilişim Sistemleri Bölümü, Ankara, Türkiye)
Nursal ARICI (Gazi Üniversitesi, Uygulamalı Bilimler Fakültesi, Yönetim Bilişim Sistemleri Bölümü, Ankara, Türkiye)
Gazi Mühendislik Bilimleri Dergisi
2 0
Yıl: 2021 Cilt: 7 Sayı: 3 Sayfa Aralığı: 222 - 232 Metin Dili: Türkçe DOI: 10.30855/gmbd.2021.03.05 İndeks Tarihi: 06-09-2022

Covid-19 Salgın Sürecinde Hava Kalitesi Tahmini: Zonguldak Örneği

Öz:
Hava kirleticilerinin insan sağlığı üzerinde basit etkilerden erken ölüme kadar ciddi etkilere neden olduğu bilinmektedir. Özellikle solunum problemleri, akciğer rahatsızlıkları ve zatürre gibi birçok rahatsızlığa sebep olmaktadır. 30 Aralık 2019 itibariyle dünyayı etkisi altına alan Covid-19 salgını bir solunum yolu hastalığıdır ve hava yoluyla bulaşmaktadır. Günümüzde devam eden salgın sürecinde hava kalitesinin tahmin edilmesi ve buna yönelik tedbirlerin alınması Covid-19 gibi hava yoluyla bulaşan hastalıkların yayılma hızını etkilemesi açısından önem taşımaktadır. Bu çalışma, Covid-19 salgını öncesi ve Covid-19 salgın sürecinde ölçülen çeşitli kirletici konsantrasyonlarını ele alarak makine öğrenmesi yöntemleriyle hava kalitesini tahmin etmektedir. Çalışmada kullanılan veri seti, hava kirliliğinin yüksek olduğu, gelişmiş sanayiye sahip Zonguldak iline ait kirletici konsantrasyonlarından oluşmaktadır. Veriler, Çevre ve Şehircilik Bakanlığı (ÇSB) Hava İzleme İstasyonları web sitesinden sağlanmıştır. Tahmin başarısı yüksek beş farklı makine öğrenmesi yöntemi kullanılmış ve çalışma sonucunda en iyi başarı Karar Ağacı algoritmasında elde edilmiştir. Hastalığın bulaşıcılığını azaltmak için uygulanan karantina süresinde kirletici konsantrasyonlarında büyük ölçüde azalma gerçekleştiği ve hava kalitesinde iyileşme olduğu görülmektedir. Deneysel sonuçlar, önerilen modelin hava kalitesini tespit etmek ve gelecekteki kirletici seviyelerini tahmin etmek için verimli bir şekilde kullanılabileceğini göstermektedir.
Anahtar Kelime: Covid-19 hava kirliliği hava kalitesi tahmini makine öğrenmesi

Air Quality Forecast in the Covid-19 Outbreak Process: Zonguldak Case

Öz:
Air pollutants are known to cause severe effects on human health, from simple effects to premature death. It causes many ailments, especially respiratory problems, lung diseases, and pneumonia. As of December 30, 2019, the covid-19 outbreak affecting the world is a respiratory disease and is transmitted by air. In the current epidemic process, it is essential to predict air quality and take measures to affect the rate of spread of air-borne diseases such as Covid-19. The study predicts air quality through machine learning methods, considering the various concentrations of pollutants measured before the covid-19 outbreak and during the covid-19 outbreak. The data set used in the study consists of the pollutant concentrations of Zonguldak province, which has high air pollution and developed industry. The data was obtained from the Ministry of Environment and Urban Planning (MoLS) weather monitoring stations website. Five different machine learning methods with high predictive success were used. As a result of the study, the best hit was achieved in the decision tree algorithm with Rmse values of 0.016 (2019 dataset) and 0.021 (2020 dataset). The Naive Bayesian algorithm has the lowest success in the study. Experimental results suggest that the proposed model could be used efficiently to detect air quality.
Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
  • [1] İ. Atacak, N. Arıcı, and D. Güner, “Modelling and evaluating air quality with fuzzy logic algorithm- Ankara- Cebeci sample”, Int. J. Intell. Syst. Appl. Eng., vol. 5, no. 4, pp. 263–268, 2018. doi: 10.1039/b000000x.
  • [2] P. Samani, C. García-Velásquez, P. Fleury, ve Y. Van Der Meer, “The impact of the covid-19 outbreak on climate change and air quality: four country case studies”, Glob. Sustain., vol. 4, pp. 1–43, Oca. 2021. doi: 10.1017/sus.2021.4.
  • [3] T. Şimşek ve V. Yılmaz, “Hava kalitesi ile covid- 19 arasındaki ilişki: G-7 ülkeleri üzerine bir uygulama”, J. Turkish Stud., vol. 15, no. 4, pp. 1353– 1366, 2020. doi: 10.7827/turkishstudies.43883.
  • [4] E. Conticini, B. Frediani, ve D. Caro, “Can atmospheric pollution be considered a co-factor in extremely high level of SARS-CoV-2 lethality in northern Italy?”, Environ. Pollut., vol. 261, no. 114465, 2020. doi: 10.1016/j.envpol.2020.114465.
  • [5] Zonguldak Çevre ve Şehircilik İl Müdürlüğü, “Zonguldak ili 2018 yılı çevre durum raporu”, 2019. [Çevrimiçi]. Available at: https://webdosya.csb.gov.tr/db/ced/icerikler/zonguda k_2018-cdr_son-20190926093732.pdf. [Accessed: Jun. 12, 2021]
  • [6] Y. Zhu, J. Xie, F. Huang, ve L. Cao, “Association between short-term exposure to air pollution and covid-19 infection: evidence from China”, Sci. Total Environ., vol. 727, no. 138704, 2020. doi: 10.1016/j.scitotenv.2020.138704.
  • [7] D. Rodríguez-Urrego ve L. Rodríguez-Urrego, “Air quality during the covid-19: PM2.5 analysis in the 50 most polluted capital cities in the world”, Environmental Pollution, vol. 266. Elsevier Ltd, Kas. 01, 2020. doi: 10.1016/j.envpol.2020.115042.
  • [8] E. B. Brandt, A. F. Beck, ve T. B. Mersha, “Air pollution, racial disparities, and covid-19 mortality”, Journal of Allergy and Clinical Immunology, vol. 146, no. 1, pp. 61–63, 2020. doi: 10.1016/j.jaci.2020.04.035.
  • [9] H. Doreswamy, K. Harishkumar, Y. Km, ve İ. M. Gad, “Forecasting air pollution particulate matter (PM2.5) using machine learning regression models”, Procedia Computer Science, vol. 171, pp. 2057–2066, 2020. doi: 10.1016/j.procs.2020.04.221.
  • [10] G. K. Kang, J. Z. Gao, S. Chiao, S. Lu, ve G. Xie, “Air quality prediction: big data and machine learning approaches”, Int. J. Environ. Sci. Dev., vol. 9, no. 1, pp. 8–16, 2018. doi: 10.18178/ijesd.2018.9.1.1066.
  • [11] A. Masood ve K. Ahmad, “A model for particulate matter (PM2.5) prediction for Delhi based on machine learning approaches”, Procedia Computer Science, vol. 167, pp. 2101–2110, 2020. doi: 10.1016/j.procs.2020.03.258.
  • [12] J. K. Deters, R. Zalakeviciute, M. Gonzalez, ve Y. Rybarczyk, “Modeling PM2.5 urban pollution using machine learning and selected meteorological parameters”, J. Electr. Comput. Eng., pp. 1–14, Haz. 2017. doi: 10.1155/2017/5106045.
  • [13] S. Bali ve M. N. Sengar, “Indian air quality prediction and analysis using machine learning”, J. Eng. Sci., vol. 11, no. 5, pp. 554–557, 2020.
  • [14] Y. Yıldırım, Ö. Zeydan, ve E. Karakavuz, “Kentleşme ve hava kalitesi açısından ilimiz Zonguldak”, Zonguldak Kent Sempozyumu, ss. 81– 89, 2011.
  • [15] Zonguldak Çevre ve Şehircilik İl Müdürlüğü, “Zonguldak 2019 yılı çevre durum raporu”, 2020. [Çevrimiçi]. Available at: https://webdosya.csb.gov.tr/db/ced/icerikler/2019_zo nguldak_cdr-20200914150210.pdf [Erişim tarihi: May. 21, 2021].
  • [16] Çevre ve Şehircilik Bakanlığı(ÇŞB), “Hava kalitesi istasyon veri indirme T.C. çevre ve şehircilik bakanlığı”, 2021. [Çevrimiçi].https://sim.csb.gov.tr/STN/STN_Report/ StationDataDownloadNew [Erişim tarihi: Mar. 10, 2021).
  • [17] DSÖ, “Science in 5 - episode 9 - hava kirliliği ve covid-19”, 2021. [Çevrimiçi]. Avaliable: https://www.who.int/emergencies/diseases/novel- coronavirus-2019/media-resources/science-in- 5/episode-9---air-pollution-covid-19 [Accessed: Jan. 01, 2021].
  • [18] DSÖ, “Koronavirüs hastalığı (covid-19): iklim değişikliği”, 2021. [Çevrimiçi]. https://www.who.int/news-room/q-a- detail/coronavirus-disease-covid-19-climate-change [Erişim tarihi: Ocak 01, 2021].
  • [19] A. Masih, “Machine learning algorithms in air quality modeling”, Glob. J. Environ. Sci. Manag., vol. 5, no. 4, pp. 515–534, 2019. doi: 10.22034/gjesm.2019.04.10.
  • [20] J. Huo, T. Shi, ve J. Chang, “Comparison of random forest and SVM for electrical short-term load forecast with different data sources”, in 7th IEEE International Conference on Software Engineering and Service Science, Beijing,China, Jul. 2016, pp. 1077–1080. doi: 10.1109/ICSESS.2016.7883252.
  • [21] Z. Yao ve W. L. Ruzzo, “A regression-based k nearest neighbor algorithm for gene function prediction from heterogenous data”, BMC Bioinformatics, vol. 7, no. 1, pp. 1–11, Mar. 2006. doi: 10.1186/1471-2105-7-s1-s11.
  • [22] A. Dey, “Machine learning algorithms: a review”, Int. J. Comput. Sci. Inf. Technol., vol. 7, no. 3, pp. 1174–1179, 2016.
  • [23] S. Çinaroğlu, “Sağlık harcamasının tahmininde makine öğrenmesi regresyon yöntemlerinin karşılaştırılması”, Uludağ Üniversitesi Mühendislik Fakültesi Derg., c. 22, sayı 2, ss. 179–199, 2017. doi: 10.17482/uumfd.338805.
  • [24] S. Karasu, A. Altan, Z. Sarac, ve R. Hacioglu, “Prediction of bitcoin prices with machine learning methods using time series data”, in 26th IEEE Signal Processing and Communications Applications Conference (SIU), Izmir, Turkey, Jul. 2018, pp. 1–4. doi: 10.1109/SIU.2018.8404760.
APA DUYGU ÇELİK B, ARICI N (2021). Covid-19 Salgın Sürecinde Hava Kalitesi Tahmini: Zonguldak Örneği. , 222 - 232. 10.30855/gmbd.2021.03.05
Chicago DUYGU ÇELİK Büşra,ARICI Nursal Covid-19 Salgın Sürecinde Hava Kalitesi Tahmini: Zonguldak Örneği. (2021): 222 - 232. 10.30855/gmbd.2021.03.05
MLA DUYGU ÇELİK Büşra,ARICI Nursal Covid-19 Salgın Sürecinde Hava Kalitesi Tahmini: Zonguldak Örneği. , 2021, ss.222 - 232. 10.30855/gmbd.2021.03.05
AMA DUYGU ÇELİK B,ARICI N Covid-19 Salgın Sürecinde Hava Kalitesi Tahmini: Zonguldak Örneği. . 2021; 222 - 232. 10.30855/gmbd.2021.03.05
Vancouver DUYGU ÇELİK B,ARICI N Covid-19 Salgın Sürecinde Hava Kalitesi Tahmini: Zonguldak Örneği. . 2021; 222 - 232. 10.30855/gmbd.2021.03.05
IEEE DUYGU ÇELİK B,ARICI N "Covid-19 Salgın Sürecinde Hava Kalitesi Tahmini: Zonguldak Örneği." , ss.222 - 232, 2021. 10.30855/gmbd.2021.03.05
ISNAD DUYGU ÇELİK, Büşra - ARICI, Nursal. "Covid-19 Salgın Sürecinde Hava Kalitesi Tahmini: Zonguldak Örneği". (2021), 222-232. https://doi.org/10.30855/gmbd.2021.03.05
APA DUYGU ÇELİK B, ARICI N (2021). Covid-19 Salgın Sürecinde Hava Kalitesi Tahmini: Zonguldak Örneği. Gazi Mühendislik Bilimleri Dergisi, 7(3), 222 - 232. 10.30855/gmbd.2021.03.05
Chicago DUYGU ÇELİK Büşra,ARICI Nursal Covid-19 Salgın Sürecinde Hava Kalitesi Tahmini: Zonguldak Örneği. Gazi Mühendislik Bilimleri Dergisi 7, no.3 (2021): 222 - 232. 10.30855/gmbd.2021.03.05
MLA DUYGU ÇELİK Büşra,ARICI Nursal Covid-19 Salgın Sürecinde Hava Kalitesi Tahmini: Zonguldak Örneği. Gazi Mühendislik Bilimleri Dergisi, vol.7, no.3, 2021, ss.222 - 232. 10.30855/gmbd.2021.03.05
AMA DUYGU ÇELİK B,ARICI N Covid-19 Salgın Sürecinde Hava Kalitesi Tahmini: Zonguldak Örneği. Gazi Mühendislik Bilimleri Dergisi. 2021; 7(3): 222 - 232. 10.30855/gmbd.2021.03.05
Vancouver DUYGU ÇELİK B,ARICI N Covid-19 Salgın Sürecinde Hava Kalitesi Tahmini: Zonguldak Örneği. Gazi Mühendislik Bilimleri Dergisi. 2021; 7(3): 222 - 232. 10.30855/gmbd.2021.03.05
IEEE DUYGU ÇELİK B,ARICI N "Covid-19 Salgın Sürecinde Hava Kalitesi Tahmini: Zonguldak Örneği." Gazi Mühendislik Bilimleri Dergisi, 7, ss.222 - 232, 2021. 10.30855/gmbd.2021.03.05
ISNAD DUYGU ÇELİK, Büşra - ARICI, Nursal. "Covid-19 Salgın Sürecinde Hava Kalitesi Tahmini: Zonguldak Örneği". Gazi Mühendislik Bilimleri Dergisi 7/3 (2021), 222-232. https://doi.org/10.30855/gmbd.2021.03.05
Sayfa Oluşturulma Tarihi
10-05-2024 13:39

İLETİŞİM

TÜBİTAK ULAKBİM TR Dizin

Yüzüncüyıl, İşçi Blokları Mahallesi

Muhsin Yazıcıoğlu Caddesi No:51/C

06530 Çankaya / ANKARA +90 (312) 298 92 00

trdizin@tubitak.gov.tr

TÜBİTAK ULAKBİM Ulusal Akademik Ağ ve Bilgi Merkezi Cahit Arf Bilgi Merkezi © Tüm Hakları Saklıdır. Gizlilik Politikası Kullanım Şartları