Hava kirliliğinin yapay sinir ağları yöntemiyle modellenmesi ve tahmini
Air pollution modeling and prediction using artificial neural networks
- Tez No: 95058
- Danışmanlar: PROF. DR. FERRUH ERTÜRK
- Tez Türü: Doktora
- Konular: Çevre Mühendisliği, Environmental Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2000
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Çevre Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 82
Özet
ÖZET Ülkemizde hava kirliliği özellikle büyük şehirler için kış aylarında önemli bir problem olarak kendisini göstermektedir. Kirleticilerin atmosfere bırakılma miktarı yanında olumsuz oluşan atmosferik şartlar (stabil veya kararlı durumlar) büyük şehirlerde hava kirliliği olayları oluşmasına sebep olmaktadır. İstanbul örneğinde olduğu gibi geçmişte bu tür hava kirliliği olayları sıkça görülmüştür. Bu noktadan yaklaşıldığında hava kirliliği modellemesi ve önceden tahmininin bu tür olumsuzlukların oluşmadan önlenmesinde veya tedbir alınmasında büyük yararlar sağlayacağı aşikardır. Bu çalışmada İstanbul örneği ele alınarak, atmosfer uygulamalarında oldukça yeni ve başarılı sonuçlar veren Yapay Sinir Ağlan (YSA) modelleri kullanılarak hava kirliliğinin çeşitli meteorolojik parametreler bazında modellenmesi ve 1 gün sonraki hava kirliliğinin tahmini yapılmıştır. Kullanılan meteorolojik parametreler İstanbul Göztepe Sinoptik Meteoroloji İstasyonunda her gün düzenli olarak ölçülen kuru termometre sıcaklığı, basınç (deniz seviyesi), nispi nem, bulutluluk, toplam yağış, hakim rüzgar yönü ve hızı, güneşlenme süresi ve şiddeti gibi klimatolojik ölçümlerin yanında, enversiyon yüksekliği ve şiddeti (00.00 GMT ve 12.00 GMT olmak üzere günlük 2 ölçüm) gibi radyosonde ölçümleridir. Bu bağımsız parametrelerle, yine İstanbul Hıfzısıhha Enstitüsünün Göztepe Meteoroloji İstasyonunda kurulu bulunan ölçüm noktasında ölçülen günlük ortalama kükürtdioksit parametresi modellenen ve tahmin edilen hava kirliliği parametresi olarak kullanılmıştır. 1992-1998 periyodunu kapsayan altı yıllık veri tabanı incelendiğinde modelleme için ancak 1994 yılı verileri uygun veri seti olarak ortaya çıkmıştır. Bu miktar verinin literatürde rastlanan bu konudaki çalışmalarda kullanılan ortalama veri tabanından daha büyük olduğu görülmüştür. Bu veri seti orijinal haliyle zaman sıralamak ve SO2 bazında değer sıralaman olarak iki yöntem ile sıralanarak öğrenme ve test setleri oluşturuldu. Bu setler kullanılarak gizli katman nöron sayısı bazında değişik YSA modelleri oluşturuldu ve eğitme işlemleri uygulandı. Oluşturulan modellerin gizli katman nöron sayılan 25 ile 50 arasında değiştirilerek her bir model eğitme işlemine tabi tutuldu. Eğitme işleminde performansı arttırmak için aynca az tekerrür eden verilerin çoğaltılması yöntemi (sınıf eşitlemesi) uygulandı. Bu yöntem model performansım arttmcı yönde etki göstermiştir. Modellerin eğitilmesi işlemi en iyi model noktası ve global minimum noktası olmak üzere iki noktada incelendi. Veri seti bazında model performanslan incelendiğinde, değer sıralamak veri setinin global minimum noktasında ve zaman sıralamak veri setinin de en iyi model noktasında daha iyi sonuçlar verdiği görülmüştür. Kullanılan veri seti (1994 yılının ilgili meteoroloji ve kirlilik verileri) dikkate alındığında girdi parametreleri sayısının iki katından az gizli katman nöronlu YSA modellerinin veri setini yeterince genelleyemediği ve 3 katmdan fazla gizli katman nöronlu modellerin ise veri setini ezberleme yoluna gidip yine genelleme kabiliyetini kaybettiği gözlenmiştir. Test seti sonuçlan incelendiğinde SCVnin kış aylanndaki yüksek değerlerden ilkbahar ve yaz aylanna doğru düşüş eğilimi ve yine kış aylanna doğru yükseliş eğilimi YSA modeli ile oldukça iyi temsil edilebilmektedir. Verilerin miktanmn yanında kullanılan girdi ve çıktı parametrelerinin kendi oluşum aralıklanndaki değer çeşitlilikleri de ne kadar fazla ise modelin bu çeşitlilikleri öğrenebilme kabiliyeti de o derece iyi olmaktadır. Yapay Sinir Ağlan ile yapılan modelleme ve tahmin çalışmalan, veri tabanının (daha doğrusu bu veri tabanının kaynağı olan atmosfer ortamının) nonlineer ve kompleks yapısı göz önüne alındığında oldukça başanlı sonuçlar ortaya koymuştur. vııı
Özet (Çeviri)
ABSTRACT Air pollution shows itself as a serious problem in big cities especially for winter seasons. Beside the amount of pollution emission into the atmosphere, stable atmospheric conditions cause the air pollution episodes in big cities. As in the case of Istanbul, there were frequently occuring air pollution episodes in the previous years. When considering this point of view, it is obvious that air pollution modelling and prediction in advance have great importance in preventing the occurance of air pollution episodes or will provide sufficient time to take the necessary precautions. In this study, Istanbul metropolitan city was taken as the study area, and a new and powerfull technique, Artifical Neural Networks (ANN), was used in modelling and predicting the future (next 24 hours) air pollution on the basis of various meteorological parameters. The meteorological parameters used in this study are partly climatological parameters as (on the daily average basis) dry bulb temperature, pressure corrected to sea level, relative humidity, cloudness, total precipitation, wind speed and dominant wind direction, total period and strength of solar radiation, and partly synoptic parameters such as bottom of first inversion layer and temperature gradient in this inversion layer measured at 00.00 GMT and at 12.00 GMT. These independent meteorological parameters were used to model and predict the 24 hour later S02 concentration which is also measured at the same location (Göstepe Meteorology Station) by Istanbul Hıfzısıhha institute. The data base covering the period of 1992-1998 were examined and only the data of the year 1994 was found convenient to be a data base for the artificial neural networks. This amount of data is obviously greater than the average data base used in the related studies on this field in the literature. This data base, in its original time series form, was divided into training and test sets taking the odd numbered paterns as training data and even numbered ones as test data. This grouping is called time- ordered grouping. Another grouping is the value-ordered grouping in which the data base is ordered in ascending form in terms of the values of SOi parameter. Then odd numbered patems were grouped as training set and even numbered ones were grouped as test set. Various ANN models were tested on these data sets changing the number of neurons in the hidden layer between 25 and 50. The models having more than 50 hidden layer neurons (up to 100) were also tested but the results were not good in terms of the model performance. Class equalization technique was also used on the data sets to improve the model performance. This technique is the duplication of seldom occuring paterns (especially in the winter seasons) in the training data set in some number of times. This technique worked well in terms of model perfomance. All ANN models were trained up to the best network point and to the global minimum point. When considering the peformance of the models in terms of training data sets (time-ordereed and value-ordered), value-ordered data set showed the best performance at the global minimum point while the time-ordered data set showed it at the best network point. When considering the data base (meteorology and pollution parameters of the year 1994) used in this study, the ANN models having the amount of hidden layer neurons less than two times that of input neurons can not generalize the test set well because of the lack of sufficient amount of connection weights. On the other hand, the models having the amount of hidden layer neurons more than roughly three times that of the input neurons tends to memorize the training set and again missing the generalization ability. Test results show that the trend of SO2 from higher values in winter to lower values in spring and summer, and again to higher values towards winter can be correctly represented by the neural networks. Beside the amount of the data base, the more the variation of the values of the parameters in their own ranges, the more the network learns the data base. As a result of this study, considerably successful results were obtained when considering the complex and nonlineer structure of the atmosphere which is the source of the data base. ix
Benzer Tezler
- Hava kirliliğinin yapay sinir ağları yöntemiyle modellenmesi ve tahmini
Artifical neural networks (ANN), was used in modelling and predicting the air pollution
FATMA KUNT
Yüksek Lisans
Türkçe
2007
Çevre MühendisliğiSelçuk ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ŞÜKRÜ DURSUN
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Modelling of atmospheric SO2 pollution in Seydişehir town by artificial neural networks
Seydişehir ilçesi atmosferik SO2 kirliliğinin yapay sinir ağları ile modellenmesi
ZEYNEP CANSU ÖZTÜRK
Yüksek Lisans
İngilizce
2015
Çevre MühendisliğiSelçuk ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞÜKRÜ DURSUN
- Meteorolojik parametrelerin hava kirliliğine etkilerinin yapay sinir ağları modeli ile incelenmesi
Başlık çevirisi yok
MEHMET ERKAN GÜNDOĞDU
Yüksek Lisans
Türkçe
2006
Çevre MühendisliğiYıldız Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ARSLAN SARAL
- Bulanık mantık ve yapay sinir ağları yöntemleri kullanılarak Konya il merkezi hava kirliliği modellenmesi
Modelling of Konya city centre air pollution using artificial neural networks and fuzzy logic methods
FATMA KUNT
Doktora
Türkçe
2014
Çevre MühendisliğiSelçuk ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞÜKRÜ DURSUN