PM₁₀ ve S₀₂ hava kirleticilerinin makine öğrenmesi modelleri ile modellenmesi ve gelecek tahmini: Türkiye’deki büyükşehirler örneği
Yükleniyor...
Dosyalar
Tarih
2026
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Artvin Çoruh Üniversitesi Doğal Afetler Uygulama ve Araştırma Merkezi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Son yıllarda Türkiye’deki hava kirliliğinin nüfus yoğunluğu ve sanayileşmedeki artış nedeniyle büyükşehirlerde halk sağlığı ve çevre yönetimi üzerinde ciddi bir sorun haline geldiği görülmektedir. Hava kirliliğine neden olan maddeleri kaynaklarına ve atmosferdeki oluşum süreçlerine göre partikül madde (PM₁₀) ve kükürt dioksit (S₀₂) gibi doğrudan bir kaynaktan yayılan maddeler birincil kirleticiler olarak tanımlanmaktadır. Bu araştırmada, Türkiye’nin 7 farklı coğrafi bölgelerindeki nüfus yoğunluğu en yüksek olan 7 büyükşehir (Ankara, Antalya, Erzurum, İstanbul, İzmir, Samsun ve Şanlıurfa) ait Ocak 2016-Şubat 2026 tarihleri aralığındaki günlük PM₁₀ ve S₀₂ verilerine odaklanılmıştır. Bu verilerin modelleme ve gelecek 1 yıllık tahmini GBM, HistGBM, LightGBM, Random Forest ve XGBoost makine öğrenmesi modelleri ile yapılmıştır. Sonuç olarak, XGBoost modelinin PM₁₀ ve S₀₂ verilerinin modelleme performansı konusunda, GBM modelinin ise verilerin gelecek tahmini konusunda daha etkin olduğu görülmüştür. Buna ek olarak, makine öğrenmesi modellerinin verileri modelleme ve gelecek tahmini konusundaki yüksek açıklama yüzdesiyle hava kalitesi araştırmalarında önerilen makine öğrenmesi modellemelerinin gelecek araştırmalar için kullanılması önerilmektedir.
In recent years, air pollution in Turkey has become a serious problem for public health and environmental management in metropolitan areas, owing to high population density and industrialization. Substances that cause air pollution are defined as primary pollutants, such as Particulate Matter (PM₁₀) and Sulfur Dioxide (S₀₂), which are emitted directly from sources and form in the atmosphere. This study focuses on daily PM₁₀ and S₀₂ data from January 2016 to February 2026 for the seven largest cities with the highest population density in Turkey's geographical regions (Ankara, Antalya, Erzurum, Istanbul, Izmir, Samsun, and Sanliurfa). These data were modeled and predicted for the next year using GBM, HistGBM, LightGBM, Random Forest, and XGBoost machine learning models. As a result, the XGBoost model was more effective at modeling PM₁₀ and S₀₂ data, whereas the GBM model was more effective at forecasting future data. In addition, given the high explanatory power of machine learning models for data analysis and prediction, it is recommended that the models proposed in air quality studies be used in future research.
In recent years, air pollution in Turkey has become a serious problem for public health and environmental management in metropolitan areas, owing to high population density and industrialization. Substances that cause air pollution are defined as primary pollutants, such as Particulate Matter (PM₁₀) and Sulfur Dioxide (S₀₂), which are emitted directly from sources and form in the atmosphere. This study focuses on daily PM₁₀ and S₀₂ data from January 2016 to February 2026 for the seven largest cities with the highest population density in Turkey's geographical regions (Ankara, Antalya, Erzurum, Istanbul, Izmir, Samsun, and Sanliurfa). These data were modeled and predicted for the next year using GBM, HistGBM, LightGBM, Random Forest, and XGBoost machine learning models. As a result, the XGBoost model was more effective at modeling PM₁₀ and S₀₂ data, whereas the GBM model was more effective at forecasting future data. In addition, given the high explanatory power of machine learning models for data analysis and prediction, it is recommended that the models proposed in air quality studies be used in future research.
Açıklama
Anahtar Kelimeler
PM₁₀, S₀₂, Büyükşehir, Makine öğrenmesi, Gelecek tahmin, Metropolitan city, Machine learning, Future prediction
Kaynak
Doğal Afetler ve Çevre Dergisi
WoS Q Değeri
Scopus Q Değeri
Cilt
12
Sayı
2
