Yapay zeka teknikleri ile afet sonrası hava kirlilik tahmini
Post-disaster air pollution forecast with artificial intelligence techniques
- Tez No: 951784
- Danışmanlar: PROF. DR. GAMZE ÖZEL KADILAR
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 85
Özet
Son yıllarda insan faaliyetleri, sanayileşme ve kentleşme nedeniyle hava kirliliği dünyanın birçok ülkesinde yaşamı tehdit eden bir hâle gelmiştir. Dünya Sağlık Örgütü (DSÖ)'nün 4 Nisan 2022'de yayınladığı rapora göre Dünya nüfusunun neredeyse tamamı (%99) DSÖ hava kalitesi limitlerini aşan ve sağlıklarını tehdit eden hava solumaktadır. Endüstriyel faaliyetler ve kentleşmenin yanı sıra deprem, volkanik patlama ve orman yangını gibi pek çok doğal afet de hava kirliliğine sebep olmaktadır. Özellikle Türkiye gibi deprem kuşağında bulunan ve küresel iklim değişikliğinin de etkisiyle sık sık orman yangınlarıyla mücadele eden ülkeler için afet sonrası hava kirliliğinin öngörülebilmesi büyük önem arz etmektedir. Bu çalışma, 6 Şubat 2023'te Kahramanmaraş Elbistan ve Kahramanmaraş Pazarcık'ta gerçekleşen depremler sonrasında oluşan hava kirliliğinin düzeyini ve etki eden değişkenleri belirlemeyi amaçlamaktadır. Bu kapsamda T.C. Çevre, Şehircilik ve İklim Değişikliği Bakanlığı Sürekli İzleme Merkezi Kahramanmaraş Elbistan ve Hatay İskenderun Merkez istasyonlarından elde edilen kirletici madde konsantrasyonları ve Meteoroloji Genel Müdürlüğü Meteorolojik Bilgi Sunum-Satış Sistemi aracılığıyla elde edilen sıcaklık (°C), nem (%), rüzgâr hızı (km/saat), rüzgâr yönü, basınç (hPa) bilgileri ile AFAD deprem kataloğundan deprem büyüklüğü ve konum bilgileri temin edilmiştir. Veri setinde cihaz arızası ve diğer sebeplerle meydana gelen eksik gözlemler, farklı interpolasyon yöntemleri test edilerek en uygun yöntem seçilmiştir. Ayrıca, deprem sonrası hava kirletici madde düzeylerine ilişkin gözlemler az sayıda olduğu için veri setindeki sınıf dengesizliği SMOTE (Synthetic Minority Over-sampling Technique) yöntemi ile giderilmeye çalışılmıştır. Çalışmada, naif Bayes, karar ağacı, rastgele orman, destek vektör makineleri (DVM), uzun kısa süreli bellek (UKSB) ve geçitli yineleyen birim (GRU) olmak üzere çeşitli makine öğrenmesi algoritmaları kullanılmıştır. Bu modeller, F1 skorunu iyileştirecek şekilde optimize edilmiştir ve F1 skorunun yanı sıra doğruluk ölçütü ile değerlendirilmiştir. Model karşılaştırmaları sonucunda, en iyi performans %61 doğruluk oranı ile Karar Ağacı algoritmasından elde edilmiştir. Ancak, SMOTE yönteminin uygulanmasına rağmen model performanslarında belirgin bir iyileşme sağlanmamıştır. Çalışma, afet sonrası hava kirliliği tahmini gibi ekstrem değerlere sahip zaman serisi problemlerinde farklı yaklaşımların önemini vurgulamakla birlikte, SMOTE gibi yöntemlerin her zaman yüksek doğrulukla çalışan modeller ile sonuçlanmayacağını ortaya koymuştur. Bu sonuçlar, gelecekteki çalışmalarda sınıf dengesizliği sorununa ilişkin farklı çözümlerin geliştirilmesi gerekliliğini ortaya koymaktadır.
Özet (Çeviri)
In recent years, due to human activities, industrialization and urbanization, air pollution has become a threat to life in many countries of the world. According to the report published by the World Health Organization (WHO) on April 4, 2022, almost the entire world population (99%) breathes air that exceeds WHO air quality limits and threatens their health. In addition to industrial activities and urbanization, many natural disasters such as earthquakes, volcanic eruptions and forest fires also cause air pollution. Predicting post-disaster air pollution is of great importance, especially for countries such as Türkiye, which are located in earthquake zones and frequently struggle with forest fires due to the impact of global climate change. This study aims to determine the level of air pollution and the affecting variables following the earthquakes that occurred in Kahramanmaraş Elbistan and Kahramanmaraş Pazarcık on February 6, 2023. In this context, pollutant concentrations obtained from the Kahramanmaraş Elbistan and Hatay İskenderun Central stations of the T.C. Ministry of Environment, Urbanization and Climate Change Continuous Monitoring Center, temperature (°C), humidity (%), wind speed (km/h), wind direction, pressure (hPa) information obtained through the Meteorological Information Presentation-Sales System of the General Directorate of Meteorology, and earthquake magnitude and location information from the AFAD earthquake catalog were obtained. In the dataset, missing observations due to device failure and other reasons were tested with different interpolation methods and the most appropriate method was selected. In addition, since the observations regarding post-earthquake air pollutant levels were few, the class imbalance in the dataset was tried to be eliminated with the SMOTE (Synthetic Minority Over-sampling Technique) method. Various machine learning algorithms were used in the study, including naive Bayes, decision tree, random forest, support vector machines (SVM), long short-term memory (LSTM) and gated recurrent unit (GRU). These models were optimized to improve the F1 score and were evaluated with the accuracy metric as well as the F1 score. As a result of the model comparisons, the best performance was obtained from the Decision Tree algorithm with an accuracy rate of 61%. However, despite the application of the SMOTE method, no significant improvement was achieved in the model performances. The study emphasizes the importance of different approaches in time series problems with extreme values such as post-disaster air pollution prediction, and it has revealed that methods such as SMOTE do not always result in models that work with high accuracy. These results reveal the need to develop different solutions for the class imbalance problem in future studies.
Benzer Tezler
- Derin öğrenme ile Kahramanmaraş depremleri sonrası yıkılan ve yıkılmayan binaların yüksek çözünürlüklü uzaktan algılama uydu verileri ile tespiti
Detection of collapsed and non-collapsed buildings after Kahramanmaraş earthquakes with high resolution remote sensing satellite data and deep learning
DOĞU İLMAK
Yüksek Lisans
Türkçe
2025
Jeodezi ve FotogrametriMersin ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
DOÇ. DR. MUZAFFER CAN İBAN
PROF. DR. DURSUN ZAFER ŞEKER
- Earthquake damage detection with satellite imagery and deep learning approaches: A case study of the february 2023, Kahramanmaraş, Turkey earthquake sequence
Uydu görüntüleri ve derin öğrenme yaklaşımları ile hasar tespiti: 2023 şubat Kahramanmaraş, Türkiye deprem dizisinden bir vaka çalışması
FATMA ELİK
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiUydu Haberleşmesi ve Uzaktan Algılama Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- İçerik tabanlı görüntü erişimi ile uzaktan algılama verilerinde obje arama
Object retrieval in remote sensing data using content based imaged retrieval
ÖZGE TOKMAK
Yüksek Lisans
Türkçe
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. NEBİYE MUSAOĞLU
- Yapay zeka kullanılarak deprem bölgelerinde drone ile alınan görüntülerden enkaz tespitinin gerçekleştirilmesi
Debris detection from drone imagery in earthquake zones using artificial intelligence
ÖMER FARUK PİCAK
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiKaramanoğlu Mehmetbey ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. KADİR SABANCI
- Yapay sinir ağları ile afet yönetiminde sosyal zarar görebilirlik riskinin belirlenmesi
Utilization of artificial neural networks for calculation of social vulnerability in disaster management
DİLEK SÜRMELİ