Artificial neural networks model for air quality in the region of İzmir

Abstract

öz Yapay sinir ağları özellikle veriler arasındaki ilişkilerin tamamıyla bilinemediği durumlarda her türlü verilerle uygulanabilme özelliklerinden dolayı çok kullanışlı olan doğrusal olmayan modelleme sistemleridir. Geri yayılma algoritması ile eğitilen ileri beslemeli yapay sinir ağları, çevresel sistemlerin modellenmesinde sık kullanılan ve iyi sonuçlar verebilen bir yöntemdir. Geriye yayılma algoritması, bilinmeyen model değişkenlerinin (bağlantı ağırlıkları gibi), sistem girdileriyle çıktıları arasındaki en iyi uyumu sağlamak üzere ayarlanması prensibinden hareketle geliştirilmiştir. Bu çalışma, yapay sinir ağlarının kullanılması ile SO2 ve toz değerlerinin farklı ağ topolojileri, değişik sayıda girdi setleri ve farklı tasvir fonksiyonlarının kullanılması ile öngörülmesi üzerinedir. Günlük sıcaklık ve rüzgar hızı değerleri de modellerde girdi olarak kullanılmıştır. Yapay sinir ağlarının eğitilmesinde geri yayılma algoritması kullanılmıştır. Öngörülerin doğruluklarının incelenmesi amacıyla R2 (korelasyon katsayısı) ve ortalama günlük hata değerleri kullanılmıştır. Çalışmadan elde edilen sonuçlara göre, yapay sinir ağları kısıtlı verilerin kullanılması durumunda bile başarılı öngörüler yapabilmektedir. Ağ topolojilerinin geliştirilmesi ve girdi sayılarının arttırılması ile öngörülerin kesinliklerinin de arttığı gözlenmiştir. SO2 öngörüsüne yönelik çalışmalarda en iyi sonuçlar iki gizli katmanın bulunduğu ağlarda, hiperbolik tanjant fonksiyonunun tasvir fonksiyonu olarak seçildiği ve toz, sıcaklık ve rüzgar hızı değerlerinin girdi olarak kullanıldığı sistemde elde edilmiştir (bu çalışmanın sonuçlarında R2 0,94 ve ortalama günlük hata ise 3,6 ug/m3 olarak bulunmuştur). Toz öngörüsüne ait en iyi sonuçlar da iki gizli katmanlı ağlarda, tasvir fonksiyonu olarak hiperbolik tanjant fonksiyonunun kullanıldığı ve SO2, sıcaklık ve rüzgar hızı değerlerinin girdi olarak kullanıldığı sistemde elde edilmiştir (bu çalışmanın sonuçlarında R2 0,92 ve ortalama günlük hata ise 3,64 jj.g/m3 olarak bulunmuştur). VISO2 ve toz değerlerinin öngörüsüne yönelik bir diğer çalışmada ise öngörüsü yapılacak değişkenlerin son yedi günlük değerleri girdi olarak kullanılmış ve sekizinci güne ait değerin öngörülmesine çalışılmıştır. S02 değerlerinin öngörüsü için R2 0,94 ve ortalama günlük hata ise 4,03 ug/m3 olarak bulunmuştur. Toz değerlerinin öngörü çalışmasında ise R2 0,93 ve ortalama günlük hata ise 4,32 ug/m3 olarak hesaplanmıştır. VU

ABSTRACT Artificial neural networks are nonlinear mapping structures are shown to be universal and highly flexible function approximators for the cases, especially where the underlying data relationships are unknown. Feed-forward artificial neural networks that are trained with the back- propagation algorithm are a useful tool for modeling environmental systems. Back-propagation networks employ a modeling philosophy that unknown model parameters (i.e. connection weights) are optimized in order to obtain the best match between a historical set of model inputs and corresponding outputs. In this study, a systematic approach to the development of the artificial neural networks based forecasting model is presented. SO2, and dust values are predicted with different topologies, inputs and transfer functions. Temperature and wind speed values are used as input parameters for the models. The back-propagation learning algorithm is used to train the networks. R2 (correlation coefficient), and daily average errors are employed to investigate the accuracy of the networks. MATLAB 6 neural network toolbox is used for this study. The study results indicate that the neural networks are able to make accurate predictions even with the limited number of parameters. Results also show that increasing the topology of the network and number of the inputs, increases the accuracy of the network. Best results for the SO2 forecasting are obtained with the network with two hidden layers, hyperbolic tangent function as transfer function and three input variables (R2 was found as 0,94 and daily average error was found as 3,6 ug/m3). The most accurate results for the dust forecasting are also obtained with the network with two hidden layer, hyperbolic tangent function as transfer function and three input variables (R2 was found as 0,92 and daily average error was found as 3,64 ug/m3). IVSC>2 and dust predictions using their last seven days values as an input are also studied, and R is calculated as 0,94 and daily average error is calculated as 4,03 (xg/m3 for SO2 prediction and R2 is calculated as 0,93 and daily average error is calculated as 4,32 ug/m3 for dust prediction and these results show that the neural network can make accurate predictions. Mft&MAWCASYOft gUffW^