An ensemble method for air quality and pollution classification
Hava kali̇tesi̇ ve ki̇rli̇li̇k sınıflandırması i̇çi̇n bi̇rleşi̇k bi̇r yöntem
- Tez No: 998428
- Danışmanlar: DR. ÖĞR. ÜYESİ FATMA ÖZGE ÖZKÖK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, dengesiz bir hava kirliliği görüntü veri seti kullanılarak çok sınıflı sınıflandırma için geleneksel makine öğrenmesi, derin öğrenme ve optimizasyon tabanlı stacking modellerini değerlendirmektedir. Random Forest, XGBoost, LightGBM, SVC, ANN, DNN, CNN ve GA, ABC, PSO ve GWO ile optimize edilmiş stacking topluluk modelleri dahil olmak üzere birçok algoritma, artırma (augmentation) uygulanmadan ve artırma uygulanarak olmak üzere iki farklı koşul altında test edilmiştir.Birinci veri seti için, sınıf dengelemenin performansı önemli ölçüde artırdığı ve aşırı uyumu (overfitting) azalttığı görülmüştür. PSO, GA ve ABC ile optimize edilen stacking modelleri %95'in üzerinde doğruluk elde ederken, ANN, DNN ve CNN modelleri %97'nin üzerinde doğruluk değerlerine ve neredeyse mükemmel ROC–AUC sonuçlarına ulaşmıştır. Linear Regression modeli ise %98.54 doğruluk ile en yüksek başarıyı göstermiştir. Önerilen artırılmış çerçeve, Hindistan ve Nepal Hava Kirliliği Görüntü Veri Seti için raporlanan önceki kıyaslama sonuçlarını da aşmıştır.İkinci veri setinde ise, veri setinin küçük olması nedeniyle artırma işlemi kritik bir gereklilik olarak belirlenmiştir. Artırma öncesinde, SMOTE ile birlikte kullanılan GWO tabanlı stacking modeli en iyi sonucu vermiş ve %64.52 doğruluk ile 0.7937 ROC–AUC değerine ulaşmıştır. Ancak artırma sonrasında derin öğrenme modelleri en iyi performansı göstermiş; %98.54 doğruluk, %98.55 F1-skoru ve 0.9996 ROC–AUC değeri elde edilmiştir. Genel olarak sonuçlar, artırma yönteminin derin öğrenme ve optimizasyon tabanlı stacking yaklaşımlarıyla birleştirilmesinin, özellikle ciddi sınıf dengesizliği bulunan durumlarda hava kirliliği görüntülerinin sınıflandırılması için güçlü bir çözüm sunduğunu ortaya koymaktadır.
Özet (Çeviri)
This study evaluates traditional machine learning, deep learning, and optimization-based stacking models for multi-class classification using an imbalanced air pollution image dataset. Multiple algorithms were tested, including Random Forest, XGBoost, LightGBM, SVC, ANN, DNN, CNN, and stacking ensembles optimized with GA, ABC, PSO, and GWO, under two conditions: with and without augmentation.For the first dataset, class balancing significantly improved performance and reduced overfitting. Optimized stacking models (PSO, GA, and ABC) achieved accuracies above 95%, while ANN, DNN, and CNN exceeded 97% accuracy with near-perfect ROC–AUC values. Linear Regression achieved the highest accuracy of 98.54%. The proposed augmented framework also outperformed previous benchmark results reported for the India and Nepal Air Pollution Image Dataset.For the second dataset, augmentation was essential due to its limited size. Before augmentation, the best result was obtained using a GWO-based stacking model with SMOTE (accuracy: 64.52%, ROC–AUC: 0.7937). After augmentation, deep learning achieved the best performance with 98.54% accuracy, an F1-score of 98.55%, and a ROC–AUC of 0.9996. Overall, the findings confirm that augmentation combined with deep learning and optimization-driven stacking provides a powerful solution for pollution image classification under severe class imbalance.
Benzer Tezler
- Veri madenciliği yöntemleri kullanarak hava kirliliği tahmini
Prediction of air pollution using data mining methods
KIYMET KAYA
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE GÜNDÜZ ÖĞÜDÜCÜ
- Akıllı kentlerde alansal hava kirliliğinin belirlenmesi ve kirlilik modellemesi: Erzurum ili örneği
Determination of area air pollution and pollution modeling in smart cities: A case study of Erzurum province
ŞAHİN KORKMAZ
Doktora
Türkçe
2023
Çevre MühendisliğiAtatürk ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. ZEYNEP CEYLAN
- 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
- Air quality time series forecasting with genetic programming
Genetik programlama ile hava kalitesi zamana bağlı seri tahminleme
SU TAŞBAŞ
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYaşar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. KORHAN KARABULUT