PM10, SO2 hava kirleticilerinin çoklu doğrusal regresyon ve yapay sinir ağları ile sezonsal tahmini

Burak Kotan, (Kocaeli Üniversitesi, Fen Bilimleri Enstitüsü, Jeodezi ve Jeoinformasyon Mühendisliği, Kocaeli, Türkiye)
Arzu Erener (Kocaeli Üniversitesi, Mühendislik Fakültesi, Harita Mühendisliği, Kocaeli, Türkiye)
Geomatik
10 1
Yıl: 2023 Cilt: 8 Sayı: 2 Sayfa Aralığı: 163 - 179 Metin Dili: Türkçe DOI: 10.29128/geomatik.1158565 İndeks Tarihi: 03-07-2023

PM10, SO2 hava kirleticilerinin çoklu doğrusal regresyon ve yapay sinir ağları ile sezonsal tahmini

Öz:
Nüfus artışıyla birlikte kentleşme, sanayileşme ve taşıt sayısındaki artışlar hava kirliliğinin artmasına sebep olmaktadır. Hava kirliliği insan ve çevre sağlığına zarar vermektedir. Bu nedenle bu çalışmada hava kirliliğinin önlenmesi, tedbirlerin alınması ve planlamaların yapılabilmesi için 1 yıl önceden hava kirliliğinin tahmin edilmesi amaçlanmıştır. Hava kirliliği parametrelerinden olan PM10 ve SO2 parametrelerinin mevsimsel ortalamalarının tahmin edilmesi için çoklu doğrusal regresyon analizi ve yapay sinir ağı yöntemleri kullanılmıştır. Kocaeli, Türkiye’nin sayılı sanayi bölgelerinden olması dolayısı ile çalışma alanı olarak seçilmiştir. Tahmin modellerinde meteorolojik veriler, kirletici konsantrasyonları, kentleşme, sanayileşme, topografik ve demografik veriler kullanılmıştır. Çalışmada enterpolasyon yöntemleri ile verilerin sürekliliğinin sağlanmasında, veri setlerinin oluşturulmasında ve haritaların yapılmasında coğrafi bilgi sistemleri kullanılmıştır. Çalışmada 2008 ile 2017 yılları arasındaki veriler ile tahmin modelleri oluşturulmuştur. Oluşturulan modellere 2018 verileri sunularak 2019 yılına ait tahmin değerleri elde edilmiştir. Elde edilen tahmin değerleri 2019 yılına ait gerçek değerler ile karşılaştırılmıştır. Model performansları ortalama mutlak yüzde hata (OMYH) değerine göre değerlendirilmiştir. Çalışma sonucunda yapay sinir ağının çoklu regresyon analizine göre performansının daha yüksek olduğu tespit edilmiştir. Ayrıca, mekânsal verilerin hava kirliliği tahmin modellerinde coğrafi bilgi sistemleri ile kullanılabilirliği gösterilmiştir.
Anahtar Kelime: Coğrafi Bilgi Sistemleri Çoklu Doğrusal Regresyon Hava Kirliliği Tahmin Modeli Yapay Sinir Ağı

Seasonal forecasting of PM10, SO2 air pollutants with multiple linear regression and artificial neural networks

Öz:
Increases in air pollution are caused by population growth, urbanization, industrialization, and a rise in the number of cars. Human and environmental health are harmed by air pollution. According to this scope, the goal is to forecast air pollution one year ahead of time in order to prevent pollution, take safeguards, and plan ahead. The seasonal averages of PM10 and SO2 values, which are air pollution metrics, were calculated using multiple linear regression analysis and artificial neural network methods. Because Kocaeli is one of Turkey's few industrial regions, it was chosen as the study area. In the forecast models, meteorological data, pollution concentrations, urbanization, industrialization, topography, and demographic data were all employed. Geographic information systems were employed in the study to assure data continuity using interpolation methods, construct data sets, and create maps. Prediction models were built using data from 2008 to 2017 in the study. The forecast values for 2019 were produced by feeding the 2018 data to the constructed models. The anticipated values were compared to the actual values for the year 2019. The mean absolute percent error (MAPE) was used to assess model performance. As a result of the research, it was discovered that the artificial neural network outperformed the multiple regression analysis. Furthermore, the use of spatial data in air pollution forecasting models using geographic information systems has been established.
Anahtar Kelime: Geographic Information Systems Multiple Linear Regression Air Pollution Prediction Model Artificial Neural Network

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
  • Adachi, K. (2020). Matrix-Based Introduction to Multivariate Data Analysis, Singapore, Springer.
  • Akyürek, Ö., Arslan, O., & Karademir, A. (2013). SO2 ve PM10 hava kirliliği parametrelerinin CBS ile konumsal analizi: Kocaeli örneği, TMMOB Coğrafi Bilgi Sistemleri Kongresi, 11-13 Kasım 2013, Ankara, Türkiye.
  • Alvarez, H., Echeverria, R., Alvarez, P., & Krupa, S. (2013). Air quality standards for particulate matter (PM) at high altitude cities, Environmental Pollution, 173, 255-256.
  • Aydınoğlu, A. Ç., Bovkır, R., & Bulut, M. (2022). Akıllı şehirlerde büyük coğrafi veri yönetimi ve analizi: hava kalitesi örneği. Geomatik, 7(3), 174-186.
  • Bai, L., Jiang, L., Yang, D., & Liu, Y. (2019). Quantifying the spatial heterogeneity influences of natural and socioeconomic factors and their interactions on air pollution using the geographical detector method: A case study of the Yangtze River Economic Belt, China”. Journal of Cleaner Production, 232, 692-704.
  • Bannister, E., Cai, X., Zhong, J., & MacKenzie, A. (2021). Neighbourhood-scale flow regimes and pollution transport in cities, Boundary-Layer Meteorology, 179(2), 259-289.
  • Campos, D. S., de Souza Tadano, Y., Alves, T. A., Siqueira, H. V., & de Nóbrega Marinho, M. H. (2020). Unorganized machines and linear multivariate regression model applied to atmospheric pollutant forecasting. Acta Scientiarum. Technology, 42, e48203-e48203.
  • Caselli, M., Trizio, L., de Gennaro, G., & Ielpo, P. (2009). A Simple Feedforward Neural Network for the PM10 Forecasting: Comparison with a Radial Basis Function Network and a Multivariate Linear Regression Model, Water Air and Soil Pollution, 201(1-4), 365-377.
  • Çetin, M., Onac, A., Sevik, H., & Sen, B. (2019). Temporal and regional change of some air pollution parameters in Bursa, Air Quality, Atmosphere & Health, 12(3), 311-316.
  • Chen, Y., Shi, R., Shu, S., & Gao, W. (2013). Ensemble and enhanced PM10 concentration forecast model based on stepwise regression and wavelet analysis, Atmospheric Environment, 74, 346-359.
  • Çuhadar, M., & Kayacan, C. (2005). Yapay sinir ağları kullanılarak konaklama işletmelerinde doluluk oranı tahmini: Türkiye'deki konaklama işletmeleri üzerine bir deneme, Anatolia: Turizm Araştırmaları Dergisi, 16(1), 24-30.
  • Dahari, N., & Wahid, H. (2017). Determination of modeling parameters for a low cost air pollution measurement system using feed forward neural networks., Editors: Mohamed Ali MS, Wahid H, Mohd Subha NA, Sahlan S, Yunus MA, Wahap, AR. Modeling, Design and Simulation of Systems, 685-696, Singapore, Springer Nature.
  • Du, M., Liu, W., & Hao, Y. (2021). Spatial correlation of air pollution and its causes in Northeast China, International Journal of Environmental Research and Public Health, 18(21).
  • Dutta, A., & Jinsart, W. (2021). Air pollution in Indian cities and comparison of MLR, ANN and CART models for predicting PM10 concentrations in Guwahati, India, Asian Journal of Atmospheric Environment, 15(1).
  • Erener, A., Sarp, G., & Yıldırım, Ö. (2019). Seasonal air pollution investigation and relation analysis of air pollution parameters to meteorological data (Kocaeli/Turkey). Editors: El-Askary HM, Lee S, Heggy E, Pradhan B. Advances in Remote Sensing and Geo Informatics Applications, 355-358, Cham, Switzerland, Springer.
  • Field, A. (2009). Discovering Statistics Using SPSS, Dubai, SAGE Publications.
  • Forsyth, D. (2019). Applied Machine Learning. Cham, Springer.
  • George, D., & Mallery, P. (2010). SPSS for Windows step by step: a simple guide and reference, Boston, Allyn & Bacon.
  • Ghaemi, Z., Alimohammadi, A., & Farnaghi, M. (2018). LaSVM-based big data learning system for dynamic prediction of air pollution in Tehran, Environmental Monitoring and Assessment, 190(5).
  • Ghatak, A. (2017). Machine Learning with R, Singapore, Springer.
  • Gonzalez-Enrique, J., Ruiz-Aguilar, J. J., Moscoso-Lopez, J. A., Urda, D., Deka, L., & Turias, I. J. (2021). Artificial neural networks, sequence-to-sequence LSTMs, and exogenous variables as analytical tools for NO2 (air pollution) forecasting: A case study in the bay of algeciras (Spain), Sensors, 21(5), 1770.
  • Haglin, J. M., Jimenez, G., & Eltorai, A. E. (2019). Artificial neural networks in medicine, Health and Technology, 9(1), 1-6.
  • Jayalakshmi, T., & Santhakumaran, A. (2011). Statistical Normalization and Back Propagation for Classification, International Journal of Computer Theory and Engineering, 3(1), 89-93.
  • Jiang, L., Zhou, H., Bai, L., & Zhou, P. (2018). Does foreign direct investment drive environmental degradation in China? An empirical study based on air quality index from a spatial perspective, Journal of Cleaner Production, 176, 864-872.
  • Jumaah, H. J., Ameen, M. H., Kalantar, B., & Rizeei, H. M. (2019). Air quality index prediction using IDW geostatistical technique and OLS-based GIS technique in Kuala Lumpur, Malaysia, Geomatics, Natural Hazards and Risk, 10(1), 2185-2199.
  • Kaplan, G., & Avdan, Z. Y. (2020). Space-borne air pollution observation from sentinel-5p tropomi: Relationship between pollutants, geographical and demographic data. International Journal of Engineering and Geosciences, 5(3), 130-137.
  • Kolasa-Wiecek, A., & Suszanowicz, D. (2019). Air pollution in European countries and life expectancy—modelling with the use of neural network, Air Qualıty Atmosphere and Health, 12(11), 1335-1345.
  • Lee, C. F., Chen, H. Y., & Lee, J. (2019). Financial Econometrics, Mathematics and Statistics, New York, Springer.
  • Lewis, C. D. (1982). Industrial and Business Forecasting Methods, Londra, Butterworths Publishing.
  • Li, L., Qian, J., Ou, C. Q., Zhou, Y. X., Guo, C., & Guo, Y. (2014). Spatial and temporal analysis of air pollution index and its timescale-dependent relationship with meteorological factors in Guangzhou, China, 2001–2011, Environmental Pollution, 190, 75-81.
  • Lin, X., & Wang, D. (2016). Spatiotemporal evolution of urban air quality and socioeconomic driving forces in China, Journal of Geographical Sciences, 26, 1533–1549.
  • Liu, H., Fang, C., Zhang, X., Wang, Z., Bao, C., & Li, F. (2017). The effect of natural and anthropogenic factors on haze pollution in Chinese cities: A spatial econometrics approach. Journal of Cleaner Production, 165, 323-333.
  • Lu, D., Xu, J., Yang, D., & Zhao, J. (2017). Spatio-temporal variation and influence factors of PM2.5 concentrations in China from 1998 to 2014, Atmospheric Pollution Research, 8(6), 1151-1159.
  • Maleki, H., Sorooshian, A., Goudarzi, G., Baboli, Z., Birgani, Y., & Rahmati, M. (2019). Air pollution prediction by using an artificial neural network model, Clean Technologies and Environmental Policy, 21(6), 1341-1352.
  • Mansor, A., Abdullah, S., Che Dom, N., Mohd Napi, N., Ahmed, A., Ismail, M., & Zulkifli, M. (2021). Three-hour-ahead of multiple linear regression (MLR) models for particulate matter, International Journal of Design & Nature and Ecodynamics, 16(1), 53-59.
  • Moustris, K. P., Ziomas, I. C., & Paliatsos, A. G. (2010). 3-Day-Ahead Forecasting of Regional Pollution Index for the Pollutants NO2, CO, SO2, and O3 Using Artificial Neural Networks in Athens, Greece, Water, Air, & Soil Pollution, 209(1), 29-43.
  • Moustris, K., Nastos, P., Larissi, I., & Paliatsos, A. (2012). Application of multiple linear regression models and artificial neural networks on the surface ozone forecast in the greater Athens Area, Greece, Advances in Meteorology, 2012.
  • Özcan, H. K., Şahin, Ü., Bayat, C., & Uçan, O. N. (2006). Modeling of trophospheric ozone (O3) concentrations using cellular neural networks, Journal of the Faculty of Engineering and Architecture of Gazi University, 21(2), 239-245.
  • Tsagris, M., & Pandis, N. (2021). Multicollinearity, American Journal of Orthodontics and Dentofacial Orthopedics, 159(5), 695-696.
  • URL-1:https://www.harita.gov.tr/urun/il-ve-ilce-yuz-olcumleri/176 Erişim tarihi: 16 Mart 2022
  • URL-2:https://data.tuik.gov.tr/Bulten/Index?p=Adrese-Dayali-Nufus-Kayit-Sistemi-Sonuclari-2020-37210 Erişim tarihi: 16 Mart 2022
  • URL-3:http://www.kocaeli.gov.tr/kocaeli-ekonomisinde-sanayinin-yeri Erişim tarihi: 16 Mart 2022
  • URL-4:http://www.kocaeli.gov.tr/lojistigin-merkezinde-bir-kent-kocaeli Erişim tarihi: 16 Mart 2022
  • Vorapracha, P., Phonprasert, P., Khanaruksombat, S., & Pijarn, N. (2015). A Comparison of Spatial Interpolation Methods for predicting concentrations of Particle Pollution (PM10), International Journal of Chemical, Environmental & Biological Sciences, 3(4), 302-306.
  • Voss, D. S. (2005) Multicollinearity. Editors: Kempf-Leonard K. Encyclopedia of Social Measurement, 759-770, New York, Elsevier.
  • Wang, P., Liu, Y., Qin, Z., & Zhang, G. (2015). A novel hybrid forecasting model for PM10 and SO2 daily concentrations, Science of the Total Environment, 505, 1202-1212.
  • Witt, S. F., & Witt, C. A. (1992). Modeling and Forecasting Demand in Tourism, Londra, Academic Press.
  • Yadav, V., & Nath, S. (2020a). Artificial neural networks based condition monitoring of air pollutants for Allahabad cities in India, Editors: Malik H, Iqbal A, Yadav AK. Soft Computing in Condition Monitoring and Diagnostics of Electrical and Mechanical Systems, 423-437, Singapore, Springer.
  • Yadav, V., & Nath, S. (2020b). Novel Application of Artificial Neural Network Techniques for Prediction of Air Pollutants Using Stochastic Variables for Health Monitoring: A Review. Editors: Malik H, Iqbal A, Yadav AK. Soft Computing in Condition Monitoring and Diagnostics of Electrical and Mechanical Systems: Novel Methods for Condition Monitoring and Diagnostics, 231-245, Singapore, Springe.
  • Yılmaz, A. (2017). İklim parametrelerinin hava kirliliği parametreleri üzerine etkisi: Bolu ili örneği, Journal of Current Researches on Social Sciences, 7(2), 413-436.
  • Yüksek, A. G., Bircan, H., Zontul, M., & Kaynar, O. (2007). Sivas ilinde yapay sinir ağları ile hava kalitesi modelinin oluşturulması üzerine bir uygulama, Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, 8(1), 97-112.
APA KOTAN B, Erener A (2023). PM10, SO2 hava kirleticilerinin çoklu doğrusal regresyon ve yapay sinir ağları ile sezonsal tahmini. , 163 - 179. 10.29128/geomatik.1158565
Chicago KOTAN BURAK,Erener Arzu PM10, SO2 hava kirleticilerinin çoklu doğrusal regresyon ve yapay sinir ağları ile sezonsal tahmini. (2023): 163 - 179. 10.29128/geomatik.1158565
MLA KOTAN BURAK,Erener Arzu PM10, SO2 hava kirleticilerinin çoklu doğrusal regresyon ve yapay sinir ağları ile sezonsal tahmini. , 2023, ss.163 - 179. 10.29128/geomatik.1158565
AMA KOTAN B,Erener A PM10, SO2 hava kirleticilerinin çoklu doğrusal regresyon ve yapay sinir ağları ile sezonsal tahmini. . 2023; 163 - 179. 10.29128/geomatik.1158565
Vancouver KOTAN B,Erener A PM10, SO2 hava kirleticilerinin çoklu doğrusal regresyon ve yapay sinir ağları ile sezonsal tahmini. . 2023; 163 - 179. 10.29128/geomatik.1158565
IEEE KOTAN B,Erener A "PM10, SO2 hava kirleticilerinin çoklu doğrusal regresyon ve yapay sinir ağları ile sezonsal tahmini." , ss.163 - 179, 2023. 10.29128/geomatik.1158565
ISNAD KOTAN, BURAK - Erener, Arzu. "PM10, SO2 hava kirleticilerinin çoklu doğrusal regresyon ve yapay sinir ağları ile sezonsal tahmini". (2023), 163-179. https://doi.org/10.29128/geomatik.1158565
APA KOTAN B, Erener A (2023). PM10, SO2 hava kirleticilerinin çoklu doğrusal regresyon ve yapay sinir ağları ile sezonsal tahmini. Geomatik, 8(2), 163 - 179. 10.29128/geomatik.1158565
Chicago KOTAN BURAK,Erener Arzu PM10, SO2 hava kirleticilerinin çoklu doğrusal regresyon ve yapay sinir ağları ile sezonsal tahmini. Geomatik 8, no.2 (2023): 163 - 179. 10.29128/geomatik.1158565
MLA KOTAN BURAK,Erener Arzu PM10, SO2 hava kirleticilerinin çoklu doğrusal regresyon ve yapay sinir ağları ile sezonsal tahmini. Geomatik, vol.8, no.2, 2023, ss.163 - 179. 10.29128/geomatik.1158565
AMA KOTAN B,Erener A PM10, SO2 hava kirleticilerinin çoklu doğrusal regresyon ve yapay sinir ağları ile sezonsal tahmini. Geomatik. 2023; 8(2): 163 - 179. 10.29128/geomatik.1158565
Vancouver KOTAN B,Erener A PM10, SO2 hava kirleticilerinin çoklu doğrusal regresyon ve yapay sinir ağları ile sezonsal tahmini. Geomatik. 2023; 8(2): 163 - 179. 10.29128/geomatik.1158565
IEEE KOTAN B,Erener A "PM10, SO2 hava kirleticilerinin çoklu doğrusal regresyon ve yapay sinir ağları ile sezonsal tahmini." Geomatik, 8, ss.163 - 179, 2023. 10.29128/geomatik.1158565
ISNAD KOTAN, BURAK - Erener, Arzu. "PM10, SO2 hava kirleticilerinin çoklu doğrusal regresyon ve yapay sinir ağları ile sezonsal tahmini". Geomatik 8/2 (2023), 163-179. https://doi.org/10.29128/geomatik.1158565
Sayfa Oluşturulma Tarihi
25-04-2024 23:31

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