Partikül madde konsantrasyonu tahmininde derin öğrenme yaklaşımlarının karşılaştırmalı incelenmesi
A comparative analysis of deep learning approaches for the prediction of particulate matter concentration
- Tez No: 832063
- Danışmanlar: DOÇ. DR. BEYTULLAH EREN, DR. ÖĞR. ÜYESİ CANER ERDEN
- Tez Türü: Doktora
- Konular: Çevre Mühendisliği, Environmental Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Sakarya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Çevre Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 119
Özet
Hava kirliliği, insan sağlığını etkileyen en önde gelen faktörlerden biridir. Özellikle Partiküler Madde (PM) hava kirliliğinin ciddi sağlık sorunlarına yol açtığı iyi bilinmektedir. Partiküler Madde (PM2.5 ve PM10) kirleticilerinin kirlilik seviyelerini tahmin etmek için güvenilir modeller geliştirmek, karar vericiler için hayati bir araç olacaktır. Bu çalışma, PM kirliliği tahmini için yüksek doğruluklu yapay zeka tabanlı tahmin modelleri geliştirmeyi amaçlamaktadır. Bu hedef doğrultusunda, hava kalitesi izleme istasyonlarından elde edilen geniş veri setleri üzerinde derin öğrenme algoritmalarıyla çalışılmıştır. Bu çalışma iki ayrı araştırma konusunu ele almaktadır. İlk araştırma konusu, PM10 kirlilik tahmini için farklı Uzun Kısa Süreli Bellek (LSTM) algoritmalarının uygunluğunun değerlendirilmesi ve buna ek olarak Veri Ön İşleme ve Özellik Seçimi (VÖİ-ÖS) sürecinin LSTM modellerinin tahmin doğruluğu üzerindeki etkisinin incelenmesidir. Bu amacı gerçekleştirmek için Yalın (Vanilla), Çift Yönlü (Bi-Directional) ve Yığın (Stacked) olmak üzere üç farklı LSTM modeli geliştirilmiştir. Deney sonuçları, önerilen LSTM modellerinin VÖİ-ÖS işlemi uygulandığında daha yüksek tahmin performansı sergilediğini göstermiştir ve bu modellerin saatlik PM10 konsantrasyonlarını tahmin etmek için kullanılabileceğini ortaya koymuştur. Çalışmanın ikinci araştırma konusu olarak PM2.5 tahmininde Uzun-Kısa Süreli Bellek (LSTM), Yinelemeli Sinir Ağı (RNN) ve Geçişli Tekrarlayan Birimler (GRU) olmak üzere üç tür derin öğrenme algoritmasının tahmin performanslarının karşılaştırılmıştır. Deney sonuçları, LSTM+LSTM modelinin, diğer derin öğrenme algoritmalarına kıyasla eğitim ve test veri setleri için 0,98 ve 0,97'lik bir R2 ile önemli ölçüde daha üstün bir performans gösterdiğini ortaya koymuştur. Ayrıca, önerilen modelin genelleme kabiliyetini değerlendirmek için İstanbul'un dokuz farklı semtindeki istasyonlardan alınan bir yıllık veriler ile model genelleme çalışmaları yapılmıştır.
Özet (Çeviri)
Air pollution is one of the primary factors affecting human health. Poor air quality has adverse physical and mental effects on human health and quality of life. In particular, it is known that particulate matter air pollution leads to serious health problems. Developing reliable models for predicting particulate matter pollution levels (PM2.5 and PM10) will be essential for decision-makers. This study aims to develop high-accuracy artificial intelligence-based prediction models for PM pollution. DL algorithms were run extensive data obtained from air quality monitoring stations, which are environmental facilities. The study consists of two research areas. The first research subject involves an assessment of various LSTM algorithms' applicability in predicting PM10 pollution levels while concurrently exploring the impact of the DPFS process on the predictive accuracy of the LSTM models. In the subsequent phases of the study, three distinct LSTM models are developed: Vanilla, BiDirectional, and Stacked. Experimental results demonstrate that the proposed LSTM models exhibit high prediction performance when the DP-FS process is applied, indicating their usability in predicting hourly PM10 concentrations. The secondary research focus of this study entails a comparative examination of predictive performances across three distinct deep learning algorithms: LSTM, RNN, and GRU, specifically in the context of PM2.5 prediction. The experimental findings highlight a significant superiority of the LSTM+LSTM model over alternative DL algorithms with R2 values of 0.98 and 0.97 for the training and test sets, respectively. In addition, the generalization ability of the model was evaluated with data from nine different districts of Istanbul.
Benzer Tezler
- Türkiye'de kurulabilecek tuz gideren membran teknolojisi sistemleri için bilimsel esaslı tasarıma dayalı maliyet analizlerinin yapılması
Cost analyses based on scientific design for salinity water membrane technology systems can be installed in Turkey
PELİN TORUNOĞLU
Doktora
Türkçe
2009
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. DERİN ORHON
- Samsun'da hava kirliliğinin matematiksel modellerle incelenmesi ve modellerin karşılaştırılması
The investigation of air pollution in samsun by matematical models and comparison of the models
EROL DEMİRCİ
Yüksek Lisans
Türkçe
1998
Çevre MühendisliğiOndokuz Mayıs ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. BAHATTİN TOPALOĞLU
- Development of a regional-scale prediction method for ground level particulate matter concentrations based on aod from different satellites in Turkey
Türkiye'de yer seviyesindeki partikül madde konsantrasyonlarının bölgesel tahmininde farklı uydulardan temin edilen aerosol optik derinliği verisine dayanan bir yöntem geliştirilmesi
GİZEM TUNA TUYGUN
Doktora
İngilizce
2021
Çevre MühendisliğiDokuz Eylül ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. TOLGA ELBİR
- Ankara hava kalitesinin alansal ve zamansal değişiminin incelenmesi
Analysis of areal and seasonal alterations of air quality in Ankara
MELİHA AMİL
Yüksek Lisans
Türkçe
2005
Çevre MühendisliğiAtatürk ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
Y.DOÇ.DR. SEZER TURALIOĞLU
- Kentsel atmosferde pcb konsantrasyonlarının gaz ile partiküllerde fraksiyonel değişiminin incelenmesi
Investigation of gaseous phase and fractional particle phase pcb concentrations in urban atmosphere
SADULLAH LEVENT KUZU
Doktora
Türkçe
2013
Çevre MühendisliğiYıldız Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
DOÇ. DR. ARSLAN SARAL