Sürdürülebilir hava kalitesi için yapay zeka yöntemleri ile partiküler madde tahmininin modellenmesi
Modeling particulate matter estimation with artificial intelligence methods for sustainable air quality
- Tez No: 846099
- Danışmanlar: PROF. DR. HÜSEYİN TOROS
- Tez Türü: Yüksek Lisans
- Konular: Meteoroloji, Meteorology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Meteoroloji Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Atmosfer Bilimleri Bilim Dalı
- Sayfa Sayısı: 93
Özet
Biyosferde canlı ve cansız tüm varlıkları doğrudan veya dolaylı olarak etkileyen en önemli konulardan biri hava kalitesidir. Hava kalitesi, atmosferde bulunan gazlar, partiküller ve diğer kirleticilerin seviyesini tanımlar. Temiz hava insan sağlığına olumlu etkiler sağlarken, kirli hava solunum rahatsızlıkları ve çevresel sorunlara yol açabilir. Bu nedenle, hava kalitesinin korunması ve iyileştirilmesi önemli bir halk sağlığı ve çevre koruma meselesidir. Hava kalitesi, ölçülmesi ve izlenmesi gereken bir parametre olup, çeşitli kaynaklardan salınan kirleticiler tarafından kolaylıkla etkilenmektedir. Hava kalitesi dengesinin bozulması, ortam havasındaki çeşitli maddelerin canlı sağlığını olumsuz etkilemeye başladığı sınırın aşıldığı anlamında gelmektedir. Hava kalitesi dengesi, doğal ya da insan kaynaklı nedenlerle bozulabilmektedir. İnsan kaynaklı hava kirliliği, özellikle Sanayi Devrimi ile birlikte dramatik şekilde artarak canlı sağlığını tehdit eder hale gelmiştir. Hava kirliliği, solunum yolu rahatsızlıklarına, astım, bronşit ve diğer solunum sistemi hastalıklarının artmasına neden olmaktadır. Kirli hava, kalp ve akciğer hastalıkları ile kanser riskini artırmaktadır. Ayrıca, diğer pek çok hastalıkla da ilişkisi tespit edilmiştir. Bozulan hava kalitesi çocuklar, yaşlılar ve kronik sağlık sorunu olan bireyler üzerinde daha belirgin ve ciddi etkilere sahiptir. Kirliliğin özellikle insan sağlığı üzerindeki olumsuz etkileri, bilim insanlarının dikkatini kirlilik kaynaklarına, etkilerine, etkileştiği parametrelere yönlendirmesine neden olmuştur. Multidisipliner bir konu olarak hava kirliliği, meteorologlar, çevre mühendisleri, şehir ve bölge planlama uzmanları, halk sağlığı uzmanları, veterinerler gibi birbirinden farklı temel eğitimleri olan araştırmacıların ortak ilgi alanı olmuştur. Bilim insanları ile araştırmacıların bir kısmı hava kirliliğinin olumsuz etkilerine karşı bir uyarı mekanizması da oluşturması düşüncesiyle kirletici parametrelerin çeşitli zaman periyotlarında tahminine yönelmiştir. Başarılı hava kalitesi tahmini, kamu otoritelerinin toplum ve çevre ile ilgili tedbirleri zamanında almasını, halkın erken uyarılmasını, böylelikle kirletici kaynaklı zarar oluşumunun engellenmesini ya da en az düzeyde etkilenilmesini sağlayabilecektir. Bilgisayarların veri işleme kapasitelerinin artması ve ileri veri işleme yöntemlerinin geliştirilmesi, hava kirliliği ve hava kalitesi tahminine yönelik çalışmalarının sayısının hızla artmasına ve başarılı tahmin modellerinin geliştirilmesine katkıda bulunmuştur. Tahmin modelleri temel olarak kimyasal taşınım modelleri ve veri odaklı modeller olarak ikiye ayrılabilmektedir. Kimyasal taşınım modelleri, hava kirliliğinin kaynağından itibaren atmosferdeki hareketini ve yayılmasını izler. Atmosferik koşullar, hava akımları, sıcaklık, nem ve diğer faktörler bu modellerde dikkate alınır. Bu modeller, belirli bir bölgede veya şehirde hava kalitesinin nasıl etkileneceğini tahmin etmek için kullanılır. Veri odaklı modeller ise gerçek zamanlı verileri kullanarak hava kirliliği seviyelerini tahmin ederler. Hava kalitesi izleme istasyonları ile meteoroloji istasyonlarından alınan gerçek zamanlı veriler bu modelleri besler. Makine öğrenimi ve istatistiksel yöntemler, bu verileri analiz ederek gelecekteki kirlilik seviyelerine yönelik öngörüde bulunur. Veri odaklı modeller başlığı altında yer alan makine öğrenmesi, derin öğrenme gibi yapay zeka uygulamaları, kirletici seviyesinin ya da hava kalitesinin kısa, orta ve uzun vadeli tahmininde sıklıkla kullanılan yöntemler haline gelmiştir. Yapay zeka yöntemleri, büyük miktarda veri analizi ve karmaşık desenleri tanıma konusunda oldukça etkilidir. Bu durum hava kirliliği tahminlerinde daha hassas sonuçlar elde etmeyi sağlar. Yapay zeka, meteorolojik veriler, hava kalitesi izleme istasyonlarından gelen veriler ve diğer faktörleri analiz ederek kirlilik seviyelerini tahmin etmekte başarılıdır. Ayrıca gerçek zamanlı veri analizi yapabilme yetenekleri sayesinde hava kirliliği seviyelerini anlık olarak izlemeyi sağlar. Bu şekilde, hızlı müdahale ve risklerin azaltılması için önemli bir avantaj yaratmaktadır. Karar vericilere gelecekteki kirlilik durumlarına göre politika oluşturma konusunda da yardımcı olmaktadır. Yapay zekaya dayalı tahmin modellerinin bu özellikleri, hava kirliliğine yönelik çalışmalarda sıklıkla tercih edilmelerini sağlamıştır. Bazen bir tahmin modelinde tek başına bir yöntem denenirken, bazen de birden fazla yapay zeka yöntemi birlikte kullanılarak hava kirliliği tahmin başarısı artırılmaya çalışılmıştır. Bursa, nüfus, kentleşme, sanayileşme, coğrafik konum, topoğrafya ve iklim gibi çeşitli özellikleri birlikte değerlendirildiğinde, hava kalitesi dengesi hassasiyetle takip edilmesi gereken bir şehirdir. Bu nedenle şehir için sürekli, düzenli, sağlıklı veri üreten, geleceğe yönelik bilgi ve gerektiğinde uyarı üretebilecek bir hava kalitesi tahmin yapısının oluşturulması önemlidir. Çalışmada önerilen model, Bursa iline ait verilerle oluşturulmuş olmakla birlikte, hava kalitesi dikkatle takip edilmesi gereken diğer yerleşim birimleri için çalıştırılabilecek ve geliştirilebilecek bir yapı içermektedir. Bu çalışmanın amacı, meteorolojik parametreler kullanarak partiküler madde seviyesinin yapay zeka yöntemleri ile tahmin edilmesini amaçlayan sürdürülebilir bir hava kalitesi modelinin oluşturulmasıdır. Çalışmada Bursa ili sınırları içerisindeki 6 hava kalitesi izleme istasyonundan elde edilen bir yıllık, saatlik periyotta 5 farklı kirletici (PM10, PM2.5, NO2, SO2, O3) ölçüm verisi ile meteorolojik veriler kullanılmıştır. İlk aşamada kirletici veri seti ön işleme tabi tutulmuş ve eksik verileri tamamlanmıştır. İkinci aşamada, PM10 ve PM2.5 konsantrasyonları arasındaki yüksek korelasyondan yola çıkılarak bir model geliştirilmiştir. Modelin her iki parametrenin ölçüldüğü istasyondan elde edilen bir haftalık PM10 ve PM2.5 tahmin sonuçları başarılı bulunmuştur. Üçüncü aşamada, sadece bir tür partiküler madde (PM10 ya da PM2.5) konsantrasyonu ölçülen beş istasyon için yeni bir tahmin modeli oluşturulmuştur. İstasyonda ölçümü yapılan partiküler madde, ölçümü yapılan diğer kirleticiler ve meteorolojik veriler ile her iki partiküler madde türünün ölçüldüğü istasyona ait modelin eğitim verisi seti, yeni modeldeki makine öğrenmesi modülüne girdi olarak verilmiştir. Elde edilen partiküler madde tahmin sonuçlarının teyit edilmesi için aynı modüle tahmin edilen partiküler madde verisinin kullanıldığı bir süreç daha ilave edilmiştir. Bu süreçte istasyonda ölçümü yapılan partiküler madde için tahmin yapılmaktadır. İstasyonda ölçülen partiküler madde ile modülle tahmin edilmiş hali arasındaki yüksek korelasyon ölçülmeyen partiküler madde için yapılan tahminin tatmin edici derece başarılı olduğunu göstermiştir. Nüfus bakımından Türkiye'nin dördüncü büyük şehri ve bir sanayi üssü olan Bursa için oluşturulacak etkin ve sürdürülebilir partiküler madde tahmin modeli, tüm paydaşların hava kalitesinin seyrinin takip edebilmesini, tahminler doğrultusunda olumsuz durum beklentisi oluştuğunda kamu otoritelerinin zamanında gerekli tedbirleri almasını sağlayabilir. Cihaz arızası vb. nedenlerle bir istasyondan partiküler madde (PM2.5 ya da PM10) ölçüm bilgisi gelmediğinde, tahmin modeli çalıştırılarak elde edilen sonuç, ölçüm bilgisi yerine değerlendirmeye alınabilir. Ayrıca bir istasyonda iki partiküler maddeden birinin ölçümünün yapılması, diğerinin tahmin modeli ile elde edilmesi ölçüm maliyetlerinin azaltılmasını sağlayabilir.
Özet (Çeviri)
Air quality is one of the most important issues that directly or indirectly affect all living and non-living things in the biosphere. Air quality defines the level of gases, particles and other pollutants in the atmosphere. Clean air provides positive effects on human health, while polluted air can lead to respiratory ailments and environmental problems. Good quality air improves quality of life, while polluted air can have negative impacts on human health and the environment. Therefore, protecting and improving air quality is an important public health and environmental protection issue. Air quality is a parameter that needs to be measured and monitored and is easily affected by factors such as environmental pollution and industrial activities. When the air quality balance is disturbed, it is understood that various substances in the ambient air begin to adversely affect living health. Air quality balance can be disturbed by natural or human-induced causes. Human-induced air pollution has increased dramatically, especially with the Industrial Revolution, and has become a threat to living health. Air pollution causes respiratory diseases, asthma, bronchitis and other respiratory system diseases. Polluted air increases the risk of heart and lung diseases and cancer. It has also been linked to many other diseases. Deteriorating air quality has more significant and serious impacts on children, the elderly and people with chronic health problems. The negative effects of pollution, especially on human health, have led scientists to focus their attention on pollution sources, its effects and the parameters it interacts with. As a multidisciplinary subject, air pollution has been the common interest of researchers with different basic educations such as meteorologists, environmental engineers, urban and regional planning experts, public health experts, veterinarians. The adverse effects of air pollution have led scientists and researchers to forecast pollutant parameters over various time periods. Successful air quality forecasting will enable public authorities to take timely measures to protect society and the environment, to warn the public early, and to prevent or minimize pollutant-related damage. The increase in the data processing capacity of computers and the development of advanced data processing methods have contributed to the rapid increase in the number of studies on air pollution and air quality prediction and the development of successful prediction models. Forecasting models can be basically divided into two categories: chemical transport models and data-driven models. Chemical transport models track the movement and dispersion of air pollution in the atmosphere from its source. Atmospheric conditions, air currents, temperature, humidity and other factors are taken into account in these models. These models are Data-driven models use real-time data to predict air pollution levels. Real-time data such as pollutant data from air quality monitoring stations, data from meteorological stations feed these models. Machine learning and statistical methods analyze this data and make predictions about future pollution levels. Artificial intelligence applications such as machine learning and deep learning, which fall under the heading of data-driven models, have become frequently used methods for short, medium and long-term prediction of pollutant levels or air quality. AI methods are highly effective in analyzing large amounts of data and recognizing complex patterns. This allows for more precise results in air pollution forecasting. AI is successful in predicting pollution levels by analyzing meteorological data, data from air quality monitoring stations and other factors. It also enables instant monitoring of air pollution levels thanks to its real-time data analysis capabilities. In this way, it creates a significant advantage for rapid response and risk mitigation. It also helps decision makers to formulate policies according to future pollution situations. These features of AI-based prediction models have made them frequently preferred in studies on air pollution. While sometimes a single method is tried alone in a prediction model, sometimes more than one artificial intelligence method is used together to increase the success of air pollution prediction. Bursa is a city whose air quality balance should be monitored sensitively when various characteristics such as population, urbanization, industrialization, geographical location, topography and climate are considered together. For this reason, it has been found important to establish an air quality forecasting structure for the city that can produce continuous, regular, healthy data, future-oriented information and warnings when necessary. Although the model proposed in this study is based on the data of Bursa, it contains a structure that can be operated and developed for other settlements whose air quality should be carefully monitored. The aim of this study is to create a sustainable air quality model that aims to predict particulate matter levels using artificial intelligence methods using meteorological parameters. In the study, 5 different pollutant (PM10, PM2.5, NO2, SO2, O3) measurement data and meteorological data obtained from 6 air quality monitoring stations within the borders of Bursa province in a one-year, hourly period were used. In the first stage, the pollutant data set was preprocessed and missing data were completed. In the second stage, a model was developed based on the high correlation between PM10 and PM2.5 concentrations. The one-week PM10 and PM2.5 prediction results obtained from the station where both parameters were measured were found to be successful. In the third stage, a new prediction model was developed for five stations where only one type of particulate matter (PM10 or PM2.5) concentration was measured. Particulate matter measured at the station, other pollutants measured, meteorological data and the training data set of the model for the station where both types of particulate matter were measured were given as input to the machine learning module in the new model. In order to verify the particulate matter prediction results obtained, another process using the predicted particulate matter data was added to the same module. In this process, the particulate matter measured at the station is predicted. The high correlation between the measured particulate matter at the station and its predicted form by the module showed that the prediction for unmeasured particulate matter was satisfactorily An effective and sustainable particulate matter forecasting model for Bursa, the fourth largest city in Turkey in terms of population and an industrial base, can enable all stakeholders to monitor the course of air quality and enable public authorities to take the necessary measures in a timely manner when there is an expectation of a negative situation in line with the forecasts. When particulate matter (PM2.5 or PM10) measurement data is not available from a station due to equipment failure etc., the result obtained by running the prediction model can be taken into consideration instead of measurement data. In addition, measuring one of the two particulate matter at a station and obtaining the other with the prediction model can reduce measurement costs.
Benzer Tezler
- Kültürel mirasın 3 boyutlu belgelenmesinde dijital ikiz teknolojisinin kullanımı
Digital twin technology in 3D documentation of cultural heritage
ERTUĞRUL AYDIN
Yüksek Lisans
Türkçe
2024
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SERDAR BİLGİ
- The optimization of fan design in totally enclosed type induction motor
Tamamen kapalı tip indüksiyon motorlarında fan tasarımı optimizasyonu
TUFAN ÖZYILDIZ
Yüksek Lisans
İngilizce
2023
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
DOÇ. DR. SENEM ŞENTÜRK LÜLE
- Kazdağları'nda açık maden işletmeciliğinin koruma - kullanma dengesi açısından değerlendirilmesi ile ilgili bir modelleme
A modelling for assessment of open cast mining in ida mountains in terms of conservation and usage balance
DAMLA ŞAHİN ALTUN
Yüksek Lisans
Türkçe
2010
Ormancılık ve Orman Mühendisliğiİstanbul ÜniversitesiOrman Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN DİRİK
- Lighting energy management for office buildings and a case study
Ofis binaları için aydınlatma enerjisi yönetimi ve bir örnek çalışma
YEŞİM ÇELİKKOL
Yüksek Lisans
İngilizce
2012
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. ALPİN KÖKNEL YENER
- Ev tipi yıkamalarda suyun tekrar kullanımı için yıkama atık suyundan renk giderme sisteminin geliştirilmesi
Development of color removal system from washing wastewater for reuse of water in domestic washing machines
BAŞAK ARSLAN İLKİZ
Doktora
Türkçe
2021
Tekstil ve Tekstil Mühendisliğiİstanbul Teknik ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YEŞİM BECEREN
PROF. DR. CEVZA CANDAN