Geri Dön

Hava kalitesi tahminlemesi için bir yöntem gerçekleştirilmesi

A methodological framework for air quality forecasting

  1. Tez No: 962874
  2. Yazar: DERYA AKBAYIR
  3. Danışmanlar: PROF. DR. EMİN MURAT ESİN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Maltepe Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 153

Özet

Hava kirliliği, modern şehirleşmenin göz ardı edilen bir sonucu olarak, yaşamımızı etkileyen en önemli çevresel ve halk sağlığı sorunlarından biri olmuştur. Kentsel hava kalitesi izlenme süreçlerinin önemli bir aşaması olan hava kalitesi tahmin modelleri kullanılarak, hava kalitesinin gelecekte nasıl olacağını tahmin etmemizi sağlar. Bu çalışmada, hava kalitesi ve meteoroloji verilerini kullanarak kısa ve orta vadeli PM₁₀ tahminleri için özgün bir hibrit derin öğrenme modeli önerilmektedir. Bu model, doğrusal olmayan ve mevsimsel bileşenleri etkili bir şekilde modelleyerek tahminlerin doğruluğunu ve genellenebilirliğini artırmayı amaçlamaktadır. Bu çalışma, Ankara il sınırları içerisindeki 18 hava kalitesi izleme istasyonundan 2019-2023 yılları arasında saatlik olarak kaydedilen PM10, PM2.5, SO₂, CO, NO₂, NOₓ, NO ve O₃ kirleticileri ile sıcaklık, nem, yağış miktarı, rüzgâr hızı ve basınç gibi meteorolojik değişkenleri içeren kapsamlı bir veri setine dayanmaktadır. Önerilen model yapısı, zaman serilerindeki uzun mesafeli bağımlılıkları tespit etmede başarılı olan Uzun Kısa Süreli Bellek (Long Short -Term Memory, LSTM) katmanları ile verinin farklı bölümlerine odaklanabilme yeteneği sunan dikkat mekanizmaları kullanan Transformer Encoder bloklarını birleştirir. Tek adımlı tahmin yöntemleri yerine özyinelemeli tahmin tekniği uygulanmıştır. Böylelikle model, her tahmin sonucunu bir sonraki adımın girdisi olarak kullanarak üç günlük ardışık öngörüler gerçekleştirmiştir. Bu yöntemle, özellikle geleceğe yönelik tahminlerde toplam hata birikiminin azaltılması amaçlanmıştır. Modelin hiperparametre ayarlama sürecinde, Optuna kütüphanesinde bulunan TPE (Tree-structured Parzen Estimator) örnekleyici kullanılarak, öğrenme oranı, katman sayısı ve pencere uzunluğu gibi önemli parametreler sistematik bir şekilde optimize edilmiştir. Bununla birlikte, aşırı öğrenmenin (overfitting) engellenmesi ve modelin genelleme yeteneğini yükseltmek amacıyla, Batch Normalization, Dropout ve ağırlıkların güncellenmesinde AdamW optimizasyon algoritması kullanılmıştır. Deneysel bulgular, önerilen hibrit modelin hem kısa vadeli (1–24 saat) hem de orta vadeli (25–72 saat) tahminlerde literatürdeki geleneksel istatiksel yöntemler ile güncel derin öğrenme yöntemlerine nazaran anlamlı derecede daha düşük ortalama mutlak hata (MAE) ve kök ortalama kare hata (RMSE) sonuçları ortaya koyduğunu göstermektedir. Diğer taraftan, yalnızca 588 bin parametreli yapısıyla, daha büyük grafik-temelli modellere göre dikkate değer bir hesaplama verimliliği elde edilmiştir. Geliştirilen model ayrıca, Streamlit temelli kullanıcı dostu bir arayüzle desteklenmiştir. Bu arayüz aracılığıyla, istasyon bazında görselleştirmeler, zamansal tahmin grafikleri ve gerçek zamanlı veri akışlarını etkili bir şekilde sunmak mümkündür. Modelin gerçek zamanlı veri akışlarıyla birleşimi, ani hava kalitesi değişimlerine karşı sürekli ve güncel öngörüler sunabilmektedir. Bu bağlamda sistem, sadece tahmin çıktıları değil, aynı zamanda dinamik çevresel koşullara duyarlı ve sürdürülebilir bir öngörü sistemi olarak tasarlanmıştır. Sonuç olarak, bu tez kapsamında geliştirilen hibrit derin öğrenme modeli ile destekleyici sistem altyapısının, hava kirliliğinin olumsuz etkilerinin azaltılması ve koruyucu önlemlerin zamanında alınabilmesi için yetkili kurumlara önemli katkılar sağlayabileceği öngörülmektedir. Özellikle, kentsel hava kalitesi yönetimi alanında, veri odaklı stratejik karar alma süreçlerini destekleyecek fonksiyonel bir karar destek sistemi altyapısı olarak entegre edilebilme potansiyeline sahip olduğu değerlendirilmektedir.

Özet (Çeviri)

Air quality problems have become a big challenge for the environment and public health. They often show up as a hidden effect of urbanization today. Air quality forecasting models are important for monitoring air in cities. They can predict future air quality, which helps in taking timely actions and planning effectively. This thesis introduces a novel hybrid deep learning model that incorporates meteorological data to improve the accuracy and generalizability of short and medium term PM₁₀ concentration forecasts, effectively capturing the nonlinear and seasonal components inherent in atmospheric time series data. This study uses a broad dataset that includes hourly air pollutant measurements. The pollutants measured are PM10, PM2.5, SO2, CO, NO2, NOx, NO and O3. It also includes meteorological data like temperature, humidity, precipitation, wind speed and atmospheric pressure. The data were gathered from 18 air quality monitoring stations in Ankara, Turkey, from 2019 and 2023. The proposed architecture combines Long Short Term Memory (LSTM) layers with Transformer Encoder blocks. LSTM layers are effective for modeling long-range dependencies. Meanwhile, Transformer blocks apply attention mechanisms to focus on various parts of the input sequence. The model uses a recursive prediction strategy instead of traditional single-step forecasting. It feeds each predicted output back as input for the next forecast. This allows for sequential predictions over three days. This framework is designed to mitigate cumulative error propagation typically associated with multi-step forecasting. Hyperparameter optimization was systematically done with Optuna. This automated optimization framework relies on the Tree-structured Parzen Estimator (TPE) algorithm.We systematically and automatically adjusted important factors like learning rate, the number of layers and input window size. To additionally improve generalization and avert overfitting, Batch Normalization, Dropout, and the AdamW optimizer were integrated into the training process. Test findings indicate that the suggested hybrid model reliably exceeds conventional statistical techniques and modern deep learning approaches regarding Mean Absolute Error (MAE) and Root Mean Square Error (RMSE), for both short term (1–24 hours) and medium term (25–72 hours) predictions. As well, while it demonstrates significant predictive capabilities, the model preserves computational efficiency with a compact architecture containing nearly 588 parameters, offering a competitive alternative to larger graph-based models. The developed model is further supported by a user-friendly interface based on Streamlit. By means of this interface, location-based visual representations, time prediction charts, and real-time data streams can be effectively demonstrated. The merging of the model with real-time data streams allows for ongoing immediate updates. This enables respond quickly to sudden changes in air quality. Consequently, the system is designed not only to produce reliable forecast outputs but also to operate as a responsive and sustainable prediction system that adapts to changing environmental conditions. Accordingly, the hybrid deep learning model and the accompanying supportive system infrastructure that this thesis developed are expected to provide meaningful contributions to authorized institutions in mitigating the adverse effects of air pollution and facilitating timely implementation of preventive measures. Specifically, the suggested system has great potential. It can effectively support decisions in urban air quality management. This will improve data-driven strategies and decision-making processes.

Benzer Tezler

  1. Tez No

    712175

    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

    Türkçe

    2021

    Tekstil ve Tekstil Mühendisliğiİstanbul Teknik Üniversitesi

    Tekstil Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YEŞİM BECEREN

    PROF. DR. CEVZA CANDAN

  2. Tez No

    913416

    Hava kalitesi tahmininde veri görselleştirme ve derin öğrenme modellerinin karşılaştırılmalı analizi

    Comparative analysis of data visualization and deep learning models in air quality forecasting

    DAMLA MENGÜŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BİHTER DAŞ

  3. Tez No

    920648

    Yapay zekâ algoritmaları ile elektrik dağıtım şebekeleri arıza yeri ve bakım/onarım-yatırım gereksinim tahminlemesi

    Electricity distribution networks fault location and maintenance/repair-investment requirements estimation with artificial intelligence algorithms

    ALİ GEYİKOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ METE YAĞANOĞLU

  4. Tez No

    944844

    Prediction of deep learning methods using wavelet transform

    Dalgacık dönüşümü kullanılarak derin öğrenme yöntemleri ile tahminleme

    GÖKÇE NUR TAŞAĞIL ARSLAN

    Doktora

    İngilizce

    İngilizce

    2025

    İstatistikYıldız Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. SERPİL KILIÇ DEPREN

  5. Tez No

    143446

    Modeling and forecasting air pollutants using artificial neural network approach

    Yapay sinir ağları yöntemi kullanılarak hava kirleticilerinin modellenmesi ve tahminlenmesi

    REFİA TANSEL COŞKUNER

    Yüksek Lisans

    İngilizce

    İngilizce

    2003

    Çevre MühendisliğiOrta Doğu Teknik Üniversitesi

    Çevre Mühendisliği Ana Bilim Dalı

    PROF. DR. GÜRDAL TUNCEL

    DOÇ. DR. GÜLEN GÜLLÜ

Geri Dön