Predictive analysis of flight traffic at New York JFK Airport on air pollution using machine learning

Abstract

Ulaşım gibi antropojenik aktiviteler, çevre ve sağlık kuruluşları tarafından başlıca hava kirletici maddeler olarak tanımlanan, NO2, CO, SO2, PM2.5-10, O3 ve Pb gibi kimyasalların emisyonuna yol açmaktadır. Bu kirleticilerin emisyonları, kardiyovasküler ve solunum yolu hastalıkları gibi olumsuz sağlık etkilerine sebep olmaktadır. Karayolu taşıtlarındaki standartlar ve yönetmelikler yardımıyla yıllar boyunca emisyonların azaltılmasına rağmen, uçaklarla ilgili daha az katı düzenlemeler, artan hava trafiğiyle emisyonların artmasına neden olmaktadır. Bu çalışma, New York'taki John F. Kennedy (JFK) Havalimanı'nda gerçekleşen ticari uçuşların neden olduğu NO2 emisyonlarını tahmin etmeyi amaçlamaktadır ve belirli bir lokasyonda NO2 emisyonlarını tahmin etmek amacıyla AERMOD hava dispersiyon modeli ile bir makine öğrenme modelini kullanarak sayısal modellemeyi birleştirmektedir. Bu çalışmayı gerçekleştirmek için, 2018 yılında New York'taki John F. Kennedy (JFK) Havalimanı'ndaki uçakların kalkış ve varış uçuş verileri kullanılmıştır. Veriler temizlendikten ve analiz için hazırlandıktan sonra, AERMOD, kirletici dağılımını simüle etmek ve bir makine öğrenim modelinin eğitiminde kullanılmak üzere emisyon dağılım verileri üretmek için kullanılmıştır. Karar ağacı esaslı ileri seviye gradyan artırma (XGBoost), bu çalışmada makine öğrenme modeli olarak kullanılmıştır. Bu çalışmanın sonucunda, emisyon tahmini modelinin eğitimi iyi genelleştirilmiş ve iyi performans gösteren bir modelle sonuçlanmıştır. Genel olarak, bu çalışma makine öğrenim modelinin kirletici dağılımını tahmin etmede etkili bir araç olabileceğini göstermektedir.

Anthropogenic activities like transportation result in the emission of numerous pollutants like NO2, CO, SO2, PM2.5-10, O3, and Pb, which are identified as major air pollutants by environmental and health agencies. Emissions of those major pollutants result in negative health impacts like cardiovascular and respiratory diseases. Even though emissions from on-road traffic have decreased in recent years due to stricter regulations and technological advancements, less strict regulations on aircraft have resulted in an increase in emissions with the increasing air traffic. This study aims to estimate NO2 emissions from commercial flights at John F. Kennedy Airport (JFK) in New York and their impacts on air quality. The study combines numerical modeling using the AERMOD air dispersion model along with a machine learning model to predict NO2 concentration distributions as a function of space and time. To achieve this goal, departure and arrival flight data of John F. Kennedy Airport (JFK) in New York for the year 2018 is used. After the data is cleaned and prepared for the analysis, AERMOD is used to simulate atmospheric pollutant dispersion. The results of this study indicate that aircraft emissions can lead to significant NO2 concentrations in the vicinity of the airport. The simulated concentrations are then used in the training of a machine learning model. Decision tree-based extreme gradient boosting (XGBoost) is used as a machine learning model. It is shown that training in the emission prediction model has resulted in a well-generalized and well-performing model. Overall, this study demonstrates that machine learning modeling can be an effective tool for estimating pollutant dispersion.