Estimation of PM10 variations in the Southeastern and Eastern Anatolia regions of Türkiye using remote sensing and statistical models
Türkiye'nin Güneydoğu ve Doğu Anadolu bölgelerindeki PM10 değişimlerinin uzaktan algılama ve ı̇statistiksel modeller kullanılarak tahmini
- Tez No: 885617
- Danışmanlar: PROF. DR. ALPER ÜNAL
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Meteoroloji, İstatistik, Science and Technology, Meteorology, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Avrasya Yerbilimleri Enstitüsü
- Ana Bilim Dalı: İklim ve Deniz Bilimleri Ana Bilim Dalı
- Bilim Dalı: Yer Sistem Bilimi Bilim Dalı
- Sayfa Sayısı: 103
Özet
Hava kalitesinin önemi hem iç hem de dış ortamları kapsamaktadır; kötü hava kalitesi yaşam kalitesini doğrudan etkilemektedir. Çapı 10 μm'den küçük Partikül Maddeler (PM10) özellikle endişe vericidir. Bu tür partiküllerin hava yollarına nüfuz etmesi daha kolaydır. Partikül Maddeler (PM'ler) hem solunum hem de kalp-damar hastalıklarına (astım, amfizem ve akciğer kanseri gibi) katkıda bulunabilir. Dağıtıcı ortam gaz ise aerosol, bu ortamdaki havada asılı kalan her türlü damlacık ve tozdan oluşur. Doğal aerosol kaynağının %68'ini deniz tuzu, %22'sini ise mineral tozu oluşturur. Sudan, Irak, Suudi Arabistan ve Basra Körfezi toz fırtınalarının yaşandığı yerler arasında yer alıyor. Türkiye'nin hava kalitesi, Sahra Çölü ve Arap Yarımadası'ndan taşınan tozlardan etkilenmektedir. Orta Doğu'daki toz fırtınaları doğal ve insan kaynaklı faktörlerin bir araya gelmesinden kaynaklanmaktadır. Türkiye'nin Güneydoğu ve Doğu kesimleri, Orta Doğu ve Kuzey Afrika çöllerinden mineral aerosollerin taşınması nedeniyle önemli toz olaylarına maruz kalmaktadır. Arap Yarımadası'ndaki toz oluşumları PM seviyelerini yükseltmektedir. Doğu ve Güneydoğu Anadolu'da PM10 konsantrasyonundaki artış Orta Doğu'dan gelen toz taşınımıyla ilişkilendirilebilir. Çalışmamız, Türkiye'nin Güneydoğu ve Doğu Anadolu bölgelerindeki PM10 değişimlerini 2014-2016 yılları arasında uzaktan algılama ve istatistiksel modeller kullanarak araştırmayı amaçlamaktadır. Bu çalışmada PM10 tahmininin değerlendirilmesi için The Moderate Resolution Imaging Spectroradiometer (MODIS), Seviye-3 Aerosol Optik Derinlik (AOD) verileri, Türkiye'nin Güneydoğu ve Doğu Anadolu bölgelerinde bulunan 15 yer gözlem istasyonunun hava kalitesi verileri ve meteorolojik değişkenleri kullanılmıştır. Çalışmada kullanılan 2014, 2015 ve 2016 yıllarına dair PM10 yer gözlem verileri T.C. Çevre, Şehircilik ve İklim Değişikliği Bakanlığı tarafından sağlanmıştır. AOD, ışığın toz, kentsel duman veya duman partikülleri gibi atmosferik aerosoller nedeniyle ne kadar engellendiğini belirlemek için kullanılır. Bu çalışmada MODIS Seviye-2 aerosol verileri birçok eksik değer içermektedir, bu nedenle MODIS Seviye-3 aerosol verileri tercih edilmiştir. Bu çalışmada yazılım olarak Python ve R Studio kullanıldı. PM10 değişimlerini tespit etmek amacıyla saatlik PM10 ve meteorolojik veriler günlük verilere dönüştürülmüş ve %30'dan fazla kayıp değere sahip günler çalışmaya dahil edilmemiştir. Ayrıca, uydudan elde edilen AOD ve sıcaklık, bağıl nem, rüzgâr hızı gibi meteorolojik parametreler kullanılarak bölgedeki Partikül Madde (PM) konsantrasyonunun tahmin edilmesi için Çoklu Doğrusal Regresyon modeli, Doğrusal Karışık Etki modeli ve Makine Öğrenmesi teknikleri kullanıldı. PM10'u tahmin etme çalışmalarında MODIS sensöründen elde edilmiş AOD çalışma alanı haritasında bazı şehirler aynı gridde yer aldığı için fazladan PM10 hesaplamasını önlemek için 15 istasyondan 12'si istatistiksel analize dahil edildi. Diyarbakır, Şanlıurfa, Adıyaman, Batman, Siirt, Mardin, Şırnak, Van, Hakkâri, Ardahan, Kars, Ağrı, Iğdır, Gaziantep, Kilis şehirlerinde bulunan meteoroloji istasyonları verilerinden Adıyaman, Batman ve Mardin şehirlerinin verileri PM10 tahmini yapan istatistik modeli için kullanılmamıştır. Sonuçlar, bahar aylarında Arap Yarımadası'ndan taşınan toz nedeniyle bölgedeki aerosol kirliliğinin yeterince yüksek olduğunu ve Hakkâri, Mardin gibi Irak ve Suriye sınırlarına yakın şehirlerde PM10 konsantrasyonunun 2015 baharında 200 µg/m3'ten fazla gözlendiğini gösterdi. Hem yerel ısınma emisyonları hem de uzun menzilli toz taşınımı, çalışma döneminde Güneydoğu Anadolu'daki PM10 seviyeleri üzerinde önemli bir etkiye sahip olabilir. Ayrıca o yıllardaki anız yakma da sonbaharda bölgedeki yüksek PM10 seviyelerinde etkili olabilir. Genel olarak Güneydoğu ve Doğu Anadolu bölgelerinde kışın diğer mevsimlere nazaran daha yüksek seviyede PM10 tespit edilmiştir. Kışın yüksek PM10 seviyesinin nedenlerinden biri o bölgelerde ısınma için kömür kullanımının yaygın olması olabilir. Önemli miktarda toz, kirlilik veya biyokütle yanması, atmosferdeki aerosol konsantrasyonlarının daha yüksek olmasına katkıda bulunur. MODIS'in AOD haritalarından elde edilen veriler, 2014, 2015 ve 2016 yıllarında Güneydoğu ve Doğu Anadolu bölgesinin aerosol kirliliğine maruz kaldığını göstermektedir. PM10'un tahmini için istatistiksel modellerin sonuçları, PM10'un AOD ve sıcaklığa oldukça bağlı olduğunu gösterdi. Farklı modellerin mevsimsel performansını anlamak için Korelasyon Katsayısı (R), R-Kare (R2) ve Ortalama Hata Karekökü (RMSE) gibi istatistiksel parametreler kullanıldı. Çoklu Doğrusal Regresyon (MLR) yönteminde AOD dışında sadece bir meteorolojik faktörün dahil edilmesi ile PM10 tahmini yapıldı. MLR'de her meteorolojik faktör sırası ile denklemde AOD ile kullanıldı. İki değişkenli (AOD ve 1 meteorolojik değişken) tahminde MLR modeli sadece 12 meteoroloji istasyonunun ortalama değerleri ile çalışmıştır. Tüm meteorolojik faktörler sırasıyla kullanılarak PM10 tahmini yapıldığı zaman bu parametreler arasında sıcaklığın PM10 değerlerini daha fazla etkilediğini göstermiştir. Bu MLR modelinde rüzgâr hızı, bağıl nem, atmosferik basınç ve yağış değişkenleri sırasıyla AOD değişkeni ile denkleme dahil edildiğinde en iyi R, R2 ve RMSE değerleri yaz mevsiminde görülmüştür. İki değişkenli tahminde yağış ve AOD değişkenleri MLR modeline dahil edildiğinde, 0.18, 0.03 ve 26.35 sırasıyla R, R2 ve RMSE değerleri olup, genel olarak tüm çalışma yıllarının sonucunu göstermektedir. Buradan yağışın MLR kullanımında tüm çalışma periyoduna bakıldığında PM10 tahminine etkisinin çok az olduğu görülmüştür. Sonuçlara dayalı olarak, PM10'un tahmininde AOD ve sıcaklık, bağıl nem, rüzgâr hızı ve atmosferik basınç ve yağış dahil tüm meteorolojik parametreler kullanıldığında tüm istatistiksel modellerin performansı iyileştirildi. Örneğin, yaz sezonu için ortalama veriler için MLR yönteminin R, R2 ve RMSE değerleri, çalışma dönemindeki en iyi performansları sırasıyla 0.69, 0.47 ve 8.21 olarak hesaplanırken, kış mevsimi sırasıyla 0,40, 0.16 ve 25.10 olan R, R2 ve RMSE değerleriyle daha düşük performansa karşılık geldi. AOD ve tüm meteorolojik veriler MLR'de kullanıldığında tüm çalışma dönemi için 12 istasyonun ortalama verilerine bakıldığında R, R2 ve RMSE değerleri sırasıyla 0.58, 0.33 ve 21.87 olarak elde edilmiştir. Tüm 12 istasyon verileri için MLR, sırasıyla 0.57, 0.33 ve 42.46'lık R, R2 ve RMSE değerleriyle sonbahar sezonunda en iyi sonucunu verdi. İlkbahar çalışma sezonlarında 12 istasyonun tüm verileri için bu MLR modeli sırasıyla 0.34, 0.12 ve 29.37'lik R, R2 ve RMSE değerleriyle en kötü performansı gösterdi. Tüm veriler MLR modeline dahil edildiğinde çalışılan tüm yıllar için sırasıyla R, R2 ve RMSE değerleri 0.40, 0.16 ve 38.95 idi. Doğrusal Karışık Etki (LME), için rastgele etki parametresi seçilen AOD, modelin bütün çalışılan periyot için sırasıyla 0.51, 0.26 ve 36.60, R, R2 ve RMSE değerlerine sahip olmasını sağladı. LME modelinde atmosferik basınç da rastgele etkiye sahipken bütün çalışılan yıllar için sırasıyla 0.86, 0.73 ve 28.26, R, R2 ve RMSE değerlerine sahipti. AOD ve atmosferik basınç LME model sonuçlarının iyileştirilmesinde önemli bir etkiye sahipti. Yaz mevsiminde AOD rastgele efektindeki LME modelinde R, R2 ve RMSE değerleri kabaca sırasıyla 0.78, 0.60 ve 13.22 olarak en iyi performansı gösterdi. LME, rüzgâr hızı rastgele etki parametresi ve diğer değişkenler sabit etki parametreleri olarak ayarlandığında sırasıyla 0.63, 0.39 ve 40.43 R, R2 ve RMSE değerleri elde ederek sonbaharda en iyi performansı göstermiştir. Diğer parametreler sabit olarak ayarlandığında ve sıcaklık rastgele etki parametresi dikkate alındığında, LME'nin en iyi sonuçları sırasıyla 0.55, 0.30 ve 43.08'lik R, R2 ve RMSE değerleriyle sonbaharda elde edildi. Bağıl nemin rastgele bir etki olduğu durumda LME modelinin en iyi sonucu kışın R, R2 ve RMSE için sırasıyla 0.73, 0.54 ve 40.59 olmuştur. LME modelinde rastgele etki parametresi olarak yağış seçildiğinde model, sonbahar dönemlerinde sırasıyla R, R2 ve RMSE değerleri olarak 0.58, 0.33 ve 42.17 ile en yüksek sonuca katkıda bulunmaktadır. LME modelinde atmosferik basıncın rastgele etki seçilmesi halinde R, R2 ve RMSE değerleri sırasıyla 1.00, 1.00 ve 2.68 olup, kış aylarında mükemmel uyumu göstermektedir. Rastgele etki olarak atmosferik basıncın seçildiği LME modeli PM10 tahmininde kışın mükemmel puana erişmiştir. Tüm çalışma dönemi için Ekstrem Gradyan Güçlendirme, diğer adıyla XGBoost, ortalaması alınmış veriler için sırasıyla 0.73, 0.54 ve 17.88 R, R2 ve RMSE değerlerine ve ortalaması alınmamış veriler için sırasıyla 0.69, 0.44 ve 32.13 R, R2 ve RMSE değerlerine sahip olarak PM10 seviyelerinin tahmininde orta düzeyde bir performans göstermiştir. Çalışma dönemi boyunca en yüksek performans sonbahar mevsiminde bulunmuş ve XGBoost'un ortalama değerlere göre mevsimsel performanslarına bakıldığında, R, R2 ve RMSE değerleri sırasıyla 0.65, 0.42 ve 7.40 olarak çıkmıştır. Ortalama değerler için bu modeldeki en düşük performans ise sırasıyla 0.44, 0.19 ve 14.62, R, R2 ve RMSE değerleriyle ilkbaharda görülmüştür. XGBoost modelinde 12 istasyonun tüm verileri için kış R, R2 ve RMSE değerleri sırasıyla 0.72, 0.51 ve 37.12 olarak diğer sezonlar arasında en iyi sonuç oldu. İstasyonlardan gelen tüm veriler dikkate alındığında R, R2 ve RMSE değerleri sırasıyla 0.42, 0.15 ve 26.38 olan ilkbahar, XGBoost modeli için en kötü uyum sağlayan mevsim olmuştur. Tüm istatistiksel yöntemler arasında Rastgele Orman, ortalaması alınmış değişkenler modele dahil edildiğinde sırasıyla 0.97, 0.93 ve 17.90 R, R2 ve RMSE değerlerine; tüm değişkenler modele dahil edildiğinde sırasıyla 0.97, 0.93 ve 29.26 R, R2 ve RMSE değerlerine sahip olarak regresyon çizgisine uyum açısından en iyi performansı göstermiştir. Rastgele Orman'ın sonbahar sezonu için R, R2 ve RMSE değerleri sırasıyla 0.97, 0.94 ve 19.06 civarında hesaplanarak çalışma dönemindeki en iyi performansı elde edilmiştir. Rastgele Orman modeli için tüm R2 değerleri, diğer mevsimlerde ortalaması alınan 12 istasyon verisi için 0.92 ile 0.94 arasında olarak kayda geçmiştir. 12 istasyonun tüm verileri ortalaması alınmadan modele dahil edildiğinde, Rastgele Orman'ın R, R2 ve RMSE değerlerinin en iyi sonucu sırasıyla 0.97, 0.94 ve 32.43 ile sonbahar mevsiminde elde edilmiştir. Diğer mevsimlerde tüm veriler için R, R2 ve RMSE değerleri ilkbahar için sırasıyla 0.96, 0.91 ve 26.54; yaz için sırasıyla 0.96, 0.93 ve 22.14; kış mevsimi için ise sırasıyla 0.96, 0.93 ve 41.66 olmuştur. MLR, PM10 tahmininde dahil edilen meteorolojik değişkenlerin miktarı gibi faktörlere bağlı olmakla birlikte, modelin performansı AOD ile seçilen meteorolojik değişkenden de etkilenmiştir. Bu çalışmada, PM10 tahmini için LME modeli ayrıca hangi meteorolojik değişkenin rastgele etki olarak seçilmesine bağlı olarak performans açısından değişkenlik göstermiştir. XGBoost'un performansı orta düzeydeydi ve genel olarak MLR yönteminden daha iyi sonuçlara sahipti. Sonuç olarak, meteorolojik değişkenleri içeren uydu verileri, çalışma alanındaki PM10 tahmini için Rastgele Orman modeline dahil edildiğinde bize en iyi performansı vermektedir. PM10 ve AOD arasındaki korelasyon hava koşullarından, yerel kirletici emisyonlardan ve aerosollerin kimyasal bileşiminden etkilenir. İstasyon bazlı izleme verileri sağlık etkisi araştırmalarında yaygın olarak kullanılmaktadır. Uydu verileri kolayca bulunabildiğinden ve ucuz olduğundan, PM10 bolluğunu etkileyen faktörleri işleyen Makine Öğrenimi yöntemleri kullanılarak PM10'u tahmin etmek için AOD görüntüleri kullanılabilir.
Özet (Çeviri)
The significance of air quality extends to both indoor and outdoor settings, with poor air quality directly impacting the quality of life. Particulate Matters smaller than 10 μm in diameter (PM10) are of particular concern. Penetration to the airways is easier with these types of particles. Particulate Matters (PMs) can contribute to both respiratory and cardiovascular diseases (i.e. asthma, emphysema, and lung cancer). Air quality in Türkiye is affected by dust coming from Sahara Desert and Arabian Peninsula. Our study aims to research PM10 variations in the Southeastern and Eastern Anatolia regions of Türkiye from 2014 to 2016 using remote sensing and statistical models. The Moderate Resolution Imaging Spectroradiometer (MODIS) derived Level-3 Aerosol Optical Depth (AOD) data, air quality data and meteorological variables of 15 ground-observed stations present in the Southeastern and Eastern Anatolia regions of Türkiye were used in this study to assess PM10 estimations in the study area. The PM10 ground observations used in the study for the years 2014, 2015 and 2016 were received from the Republic of Türkiye Ministry of Environment and Urbanization and Climate Change. Hourly PM10 and meteorological data were converted to daily data and days having more than 30% missing values were not included into the study in order to find out PM10 variations. Moreover, statistical methods such as Multiple Linear Regression (MLR) model, Linear Mixed Effect (LME) model and Machine Learning (ML) techniques were used to anticipate the Particulate Matter (PM) concentration in the region using satellite-based AOD and meteorological variables such as temperature, wind speed, relative humidity, precipitation and atmospheric pressure. Since some cities are located on the same grid in the AOD study area map obtained from MODIS in the PM10 estimation studies, 12 out of 15 stations were included in the statistical analysis to avoid extra PM10 calculations. The results indicated that aerosol pollution in the region as a result of transported dust from the Arabian Peninsula in spring time was high enough and the PM10 concentration in the cities close to the borders of Iraq and Suria such as Hakkari and Mardin was observed more than 200 µg/m3 in spring of 2015. Both local heating emissions and long-range dust transport could have significantly impact on PM10 levels in Southeastern Anatolia in study period. In addition, stubble burning in those years may also be effective in the high PM10 levels in the region in the fall. Significant amounts of dust, pollution, or biomass combustion make contribution to higher atmospheric aerosol concentrations. MODIS data from the AOD maps of 2014, 2015 and 2016 show that the Southeastern and Eastern Anatolia regions were exposed to aerosol pollution. The results of statistical models for prediction of PM10 indicated that PM10 was very dependent on AOD and temperature. The statistical parameters such as Correlation Coefficient (R), R-Squared (R2) and Root Mean Square Error (RMSE) were calculated to understand performances of models applied in the study. In the MLR method, PM10 was estimated by including only one meteorological factor other than AOD. Each meteorological factor was used with AOD in the equation respectively in the MLR method. When PM10 was predicted by using all meteorological factors respectively, it showed that among these parameters, temperature affected PM10 values more. Based on the outcomes, performance of all statistical models was improved when AOD values with all meteorological parameters were used in estimating PM10. For example, the R, R2 and RMSE values of MLR for averaged data for summer season were calculated about 0.69, 0.47 and 8.21 with best performance in the study period, while winter accounted to the lower performance with R, R2 and RMSE values of 0.40, 0.16 and 25.10, respectively. MLR for all 12-station data gave its best result in autumn season with an R, R2 and RMSE values of 0.57, 0.33 and 42.46 respectively. For the LME model, the random effect parameter selected AOD enabled the model to have R, R2 and RMSE values of 0.51, 0.26 and 36.60, respectively for all study period. Atmospheric pressure also had a random effect in the LME model, with R, R2 and RMSE values of 0.86, 0.73 and 28.26, respectively for all studied years. AOD and atmospheric pressure had a significant impact on improving the LME model results. For whole study period Extreme Gradient Boosting (XGBoost) having 0.73, 0.54 and 17.88 values as R, R2 and RMSE, respectively for averaged data and having 0.69, 0.44 and 32.13 values as R, R2 and RMSE, respectively for non-averaged data making a moderate performance in estimating PM10 levels. Among all statistical methods, Random Forest performed the best in terms of fitting the regression line, with R, R2 and RMSE values of 0.97, 0.93 and 17.90, respectively, when averaged variables are included in the model, and R, R2 and RMSE values of 0.97, 0.93 and 29.26, respectively, when all variables are included in the model. While MLR depended on factors like quantity of meteorological variables included, its performance also was affected by which meteorological variable is chosen with AOD in PM10 estimation. In this study, the LME model also showed variability in performance depending on which meteorological variable was selected as a random effect for PM10 estimation. XGBoost's performance was moderate and it also had better results than MLR method for overall. In conclusion, satellite data with meteorological variables gives us the best performance when it is introduced to the Random Forest Model in order to forecast PM10 in study area. The correlation between PM10 and AOD is influenced by weather conditions, local pollutant emissions and the chemical composition of aerosols. Ground-based monitoring data is commonly used in health effect research. Because satellite data is readily available and inexpensive, AOD images can be used to estimate PM10 via using Machine Learning methods which processes factors that affect abundance of PM10.
Benzer Tezler
- Analysis of SO2 pollution in Turkey using ground observations and satellite retrievals
Türkiye'de SO2 kirliliğinin yer ve uydu ölçümleri ile incelenmesi
MERVE ASAR
Yüksek Lisans
İngilizce
2017
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. BURÇAK KAYNAK TEZEL
- Evaluation of EMEP SO2 emissions for Turkey using WRF-CMAQ modeling system
Emep SO2 emisyonlarının WRF-CMAQ model sistemi kullanılarak Türkiye için değerlendirilmesi
AMIRHOSSEIN ABDI
Yüksek Lisans
İngilizce
2016
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. BURÇAK KAYNAK TEZEL
- Hava kalitesinin incelenmesi ve eğitilebilir algoritmalarda modellenmesinin araştırılması; Çerkezköy örneği
Investigation of air quality and modeling with training algorithms; a case study for Çerkezköy
HÜSEYİN ÖZEL
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN KURTULUŞ ÖZCAN
DR. PINAR CİHAN
- Bazı açık maden işletmelerinde partikül madde salınım ölçümü ve değişiminin meteorolojik koşullar, malzeme ve iş makinesi özellikleri ile modellenmesi
Particulate matter emission measurement and modeling of variation in some surface mines with meteorological conditions, material and heavy mining equipment properties
ZEKERİYA DURAN
Doktora
Türkçe
2022
Maden Mühendisliği ve MadencilikSivas Cumhuriyet ÜniversitesiMaden Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT ERDEM
- Hava kalitesi üzerindeki meteorolojik ve emisyon etkilerinin belirlenmesinde makine öğrenmesi tabanlı meteorolojik normalleştirme yönteminin uygulanması
Application of machine learning-based meteorological normalization to quantify meteorological and emissions impacts on air quality
MUHAMMED DENİZOĞLU
Yüksek Lisans
Türkçe
2024
Meteorolojiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ DENİZ