Araştırma Makalesi
BibTex RIS Kaynak Göster

Hava Kirliliği Tahmini: Yapay Sinir Ağları ve Regresyon Yöntemleriyle Bir Karşılaştırma

Yıl 2020, Cilt: 3 Sayı: 1, 12 - 22, 30.06.2020

İlayda Akbulut Burcu Özcan

Öz

Havanın doğal bileşimlerini farklılaştırıp, kirli bir hava olma niteliği kazandıran kirleticilerden kükürtdioksit (SO2) ve partikül maddenin (PM) ölçülmesi, kirlilik seviyesine karar verebilme aşamasında Dünya Sağlık Örgütü (DSÖ) tarafından yeterli bulunarak tüm dünya ülkelerine önerilmistir. Çalışmada, değerleri tam olarak elde edilebilen Türkiye’deki 32 il için veriler kullanılmıştır. Hava kirliliği, yapay sinir ağları ve regresyon modelleri kullanılarak partikül madde miktarı tahmin edilerek ölçülmüş, iki yöntemin ve iki modelin karşılaştırılması yapılmıştır. İlk olarak 2009-2017 yılları arasında ölçülen ve, partikül madde miktarı bağımlı değişken olarak tanımlanarak onu etkileyebilecek 3 bağımsız değişken belirlenerek 2018 yılı için regresyon ve yapay sinir ağları modelleri ile tahmin edilmiştir. Her iki yöntemde, doğruluk oranını saptamak için ortalama mutlak yüzde hata (Mean Absolute Percentage Error-MAPE) değerleri hesaplanmıştır. Buna göre regresyon yöntemi daha iyi uyum sağlayan model olarak seçilmiştir ve 2019 yılı için PM değeri tahmini regresyon yöntemiyle yapılmıştır.

Anahtar Kelimeler

Hava Kirliliği regresyon analizi yapay sinir ağları Partikül Madde

Kaynakça

  • [1] Air Quality Guidelines For Europe. World Health Organization Regular Office for Europe Copenhagen. Second Edition: WHO Regional Publications, European Series. No:1. http://www.euro.who.int/ document/e87950.pdf
  • [2] World Health Organization, 1972. Health Hazards of the Human Environment.
  • [3] World Health Organization, 1987. Air Quality Guidelines For Europe.
  • [4] Holman C., 1989. Air pollution and health. Friends Of The Earth, London.
  • [5] Bayram, H., 2005. Türkiye’de Hava Kirliliği Sorunu: Nedenleri, Alınan Önlemler ve Mevcut Durum. Toraks Dergisi, 6, 159-165.
  • [6] Başar P., Okyay P., Ergin F., Coşan S., Yıldız A., 2005. Aydın ili kent merkezinde hava kirliliği/1997-2004.
  • [7] Elbir T., Müezzinoğlu A., Bayram A., 2000. Evaluation of some air pollution indicators in Turkey. Environment International 26, 5-10.
  • [8] Sezer M. S., 2019. Yapay sinir ağları ve farklı tahmin yöntemleri ile uzun dönem yük tahmini: Zonguldak örneği, Yüksek Lisans Tezi, Kütahya Dumlupınar Üniversitesi, Fen Bilimleri Enstitüsü, Kütahya, Türkiye, 563912.
  • [9] Calp, M. H., 2019. İşletmeler için personel yemek talep miktarının yapay sinir ağları kullanılarak tahmin edilmesi. Politeknik dergisi, 22, 675-686.
  • [10] Sönmez O., Zengin K., 2019. Yiyecek ve İçecek İşletmelerinde Talep Tahmini: Yapay Sinir Ağları ve Regresyon Yöntemleriyle Bir Karşılaştırma. Avrupa Bilim ve Teknoloji Dergisi, Özel Sayı, 302-308.
  • [11] Dong R., Fisman R., Wang Y., ve Xu N., 2019. Air pollution, affect, and forecasting bias: Evidence from Chinese financial analysts. Journal of Financial Economics, 134, 501-760.
  • [12] Mutlu A., 2019. Balıkesir şehir merkezinde trafik kaynaklı hava kirliliği seviyelerinin analizi. Balıkesir Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 21, 152-168.
  • [13] Pimpin L., Retat L., Fecht D., de Preux L., Sassi F., Gulliver J., ve Webber L., 2018. Estimating the costs of air pollution to the National Health Service and social care: An assessment and forecast up to 2035. PLoS medicine, 15.
  • [14] Qiu P., Tang X., Lu M., Huang Y. ve Zhou J., 2018. Forecast of changing air pollution trends in Wuhan city. Nanjing Xinxi Gongcheng Daxue Xuebao, 10, 571-578.
  • [15] Yücesan M., 2018. YSA, ARIMA ve ARIMAX Yöntemleriyle Satış Tahmini: Beyaz Eşya Sektöründe bir Uygulama. İşletme Araştırmaları Dergisi 10, 689-706.
  • [16] Şahin E. E., 2018. Kripto Para Bitcoin: ARIMA ve Yapay Sinir Ağları Ile Fiyat Tahmini. Fiscaoeconomia 2, 74-92.
  • [17] Aydoğan İ., Zirhlioğlu G., 2018. Öğrenci Başarılarının Yapay Sinir Ağları ile Kestirilmesi. Yüzüncü Yıl Üniversitesi Eğitim Fakültesi Dergisi, 15, 577-610.
  • [18] Özden S., Öztürk A., 2018. Yapay sinir ağları ve zaman serileri yöntemi ile bir endüstri alanının (ivedik OSB) elektrik enerjisi ihtiyaç tahmini. Bilişim Teknolojileri Dergisi, 11, 255-261.
  • [19] Can Ş., Gerşil M., 2018. Manisa Pamuk Fiyatlarının Zaman Serisi Analizi ve Yapay Sinir Ağı Teknikleri İle Tahminlenmesi ve Tahmin Performanslarının Karşılaştırılması. Yönetim ve Ekonomi: Celal Bayar Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 25, 1017-1031.
  • [20] Taşar B., Üneş F., Demirci M., Kaya Y. Z., 2018. Yapay sinir ağları yöntemi kullanılarak buharlaşma miktarı tahmini. DÜMF Mühendislik Dergisi, 9, 543-551.
  • [21] Feng F., Chi X., Wang Z., Li J., Jiang J. ve Yang W., 2017. A nonnegativity preserved efficient chemical solver applied to the air pollution forecast. Applied Mathematics and Computation, 314, 44-57.
  • [22] Sammarco M., Tse R., Pau G. ve Marfia G., 2017. Using geosocial search for urban air pollution monitoring. Pervasive and Mobile Computing, 35, 15-31.
  • [23] Miguel J. P. M., de Blas C. S. ve Sipols A. E. G., 2017. A forecast air pollution model applied to a hypothetical urban road pricing scheme: An empirical study in Madrid. Transportation Research Part D: Transport and Environment, 55, 21-38.
  • [24] Ekinci M. E., 2017. Destek vektör regresyon ile hava kirliliği tahmini, Yüksek Lisans Tezi, Eskişehir Osmangazi Üniversitesi, Fen Bilimleri Enstitüsü, Eskişehir, Türkiye, 463905.
  • [25] Özşahin E., Eroğlu İ., Pektezel H., 2016. Keşan’da (Edirne) hava kirliliği. Selçuk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 36, 83-100.
  • [26] Turgut D. ve Temiz İ., 2015. Ankara'daki Hava Kirliliği İçin Zaman Serileri Analizi ve Tahmin: Box-Jenkins Yaklaşımı. Alphanumeric Journal, 3, 131-138.
  • [27] Kunt F., 2014. Bulanık mantık ve yapay sinir ağları yöntemleri kullanılarak Konya il merkezi hava kirliliği modellenmesi, Doktora Tezi, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Konya, Türkiye, 380834 .
  • [28] Kaplan Y., Saray U. ve Azkeskin E., 2014. Hava Kirliliğine Neden Olan PM10 ve SO 2 Maddesinin Yapay Sinir Ağı Kullanılarak Tahmininin Yapılması ve Hata Oranının Hesaplanması. Afyon Kocatepe University Journal of Science & Engineering, 14, 1-6.
  • [29] Budak H., Erpolat S., 2012. Kredi Riski Tahmininde Yapay Sinir Ağları ve Lojistik Regresyon Analizi Karşılaştırılması. AJIT‐e: Online Academic Journal of Information Technology, 3, 23-30.
  • [30] Okkan U., Mollamahmutoğlu A., 2010. Yiğitler Çayı Günlük Akımlarının Yapay Sinir Ağları Ve Regresyon Analizi İle Modellenmesi. Dumlupınar Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 23, 33-48.
  • [31] Tolon M., Tosunoğlu N. G., 2008. Tüketici tatmini verilerinin analizi: yapay sinir ağlari ve regresyon analizi karşilaştirmasi. Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 10, 247-259.
  • [32] Doğan F., Kitapçıoğlu G., 2007. İzmir ilinde hava kirliliğinin yıllar itibariyle karşılaştırılması. Ege Tıp Dergisi, 46, 129-133.
  • [33] Kunt F., 2007. Hava kirliliğinin yapay sinir ağları yöntemiyle modellenmesi ve tahmini, Doktora Tezi, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Konya, Türkiye, 212442.
  • [34] Chehreh C. S., James C. H., Jorjani E., Mesroghli S., Bagherieh A. H., 2008. Prediction of coal grindability based on petrography, proximate and ultimate analysis using multiple regression and artificial neural network models. Fuel Processıng Technology, 89,13- 20.
  • [35] Yongjae K., Sehun R., 2005. Arc sensor model using multiple-regression analysis and a neural network. ProQ. Sci. J., 219, 431–447.
  • [36] Özdemir M. A. ve Boyraz Z., 2002. Elazığ Şehir Merkezinde Hava Kirliliğini Doğuran Nedenler ve Kirlilik Parametrelerinin Zaman İçindeki Değişimine Coğrafi Yaklaşım. Doğu Coğrafya Dergisi, 7, 163-182.
  • [37] http://sertifika.tema.org.tr/_Ki/CevreKutuphanesi/doc uments/Termik_Santrallerin_Hava_Kirliligi_Modellemesi.pdf (Erişim Tarihi: 22 Nisan 2020)
  • [38] Wheelwright S., Makridakis S. ve Hyndman R. J., 1998. Forecasting: methods and applications. John Wiley & Sons, USA.
  • [39] Bolzan A. C., Machado R. A. F. ve Piaia J. C. Z., 2008. Egg hatchability prediction by multiple linear regression and artificial neural networks. Brazilian Journal of Poultry Science, 10, 97-102.
  • [40] https://cevreselgostergeler.csb.gov.tr/illerin-cevre-gostergeleri-i-85803 (Erişim Tarihi: 22 Nisan 2020)
  • [41] https://evds2.tcmb.gov.tr/index.php? (Erişim Tarihi: 22 Nisan 2020)
Toplam 41 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Endüstri Mühendisliği
Bölüm Makaleler
Yazarlar

İlayda Akbulut 0000-0002-1669-1817

Burcu Özcan 0000-0003-0820-4238

Yayımlanma Tarihi 30 Haziran 2020
Kabul Tarihi 29 Nisan 2020
Yayımlandığı Sayı Yıl 2020 Cilt: 3 Sayı: 1

Kaynak Göster

APA Akbulut, İ., & Özcan, B. (2020). Hava Kirliliği Tahmini: Yapay Sinir Ağları ve Regresyon Yöntemleriyle Bir Karşılaştırma. Kocaeli Üniversitesi Fen Bilimleri Dergisi, 3(1), 12-22.