Air pollution forecasting by using data mining

Abstract

Hava kirliliği, İstanbul gibi çok büyük şehirlerdeki en önemli çevre problemlerindenbiridir; insan sağlığını etkiler ve hatta ölümlere bile neden olabilir. Hava kirliliğigöstergelerini tahmin ederek, hava kirliliği uyarı sistemleri geliştirmek gerekmektedir. Birveri madenciliği tekniği olan yapay sinir ağları, çok büyük veritabanlarından değer taşıyanbilgiyi çıkarmak için çok kullanılmaktadır. Bu çalışmada, yapay sinir ağları ile SO2, PM10ve CO hava kirliliği göstergelerini tahmin eden bir sistem İstanbul için geliştirilmiştir.Sıcaklık, nem, basınç, rüzgâr yönü, rüzgâr hızı gibi meteorolojik veriler ile hava kirliliğigöstergeleri arasındaki ilişki yapay sinir ağı oluşturmak için kullanılmıştır. Gelecek üç güniçin hava tahmini bu modelle yapılmış ve bunun da ötesinde tahminler hava kirliliğitahmini sitesinde yayınlanmıştır. Hava kirliliği tahminlerinde daha düşük hata oranları eldeetmek için yapay sinir ağı modeli iyileştirilerek geliştirilmiş, çeşitli deneyler veri kümesiüzerinde yapılmış ve sonuçları sunulmuştur.Anahtar Kelimeler: Hava kirliliği tahmini, veri madenciliği, yapay sinir ağları

Air pollution is one of the most important environmental problems in metropolitancities like Istanbul; it affects human health and may even cause deaths. It is necessary todevelop warning systems for air pollution by forecasting air pollution indicators. ArtificialNeural Networks (ANN) which is a data mining technique has been widely used inextracting knowledge and data from very large databases. In this study, a system forforecasting air pollution indicators of SO2, PM10 and CO with ANN is developed forIstanbul. The relationship between local meteorological data -like temperature, humidity,pressure, wind direction, wind speed - and air pollution indicators is used to construct theANN. Air pollution forecasts for three days into future are done with this model andfurthermore these forecasts are published in the air pollution forecasting website. In orderto get lower error rates in forecasts, the ANN model is enhanced and different experimentsare performed on the dataset and the results are presented.Keywords: Air pollution forecasting, data mining, artificial neural networks