Derin öğrenme ile havadaki partikül madde konsantrasyonu tahmini

Abstract

Partikül madde (PM), kimyasal bileşimi ve fiziksel özellikleri değişiklik gösteren, sağlığa zararlı hava kirleticilerden biridir. Dünya Sağlık Örgütü (WHO) tarafından, kanser yapıcı bir hava kirletici olarak kabul edilmektedir. Havadaki PM boyutları da farklılık göstermektedir. Genel olarak, aerodinamik çap açısından sınıflandırılırlar. Kaba taneciklerin aerodinamik çapı 2,5-10 μm olarak kabul görmektedir. 10 μm'den büyük tanecikler ise çok kaba partiküller olarak adlandırılmaktadır. Partikülün ince yapısı olan ve çapı 2,5 μm'den küçük olan tozların solunum sisteminde akciğerlerin yapısında bulunan alveollere kadar ulaşabilmesi ve solunum sistemine karıştığı kabul edilmektedir. Bu da canlıların yaşam kalitesini bozmakta hatta kanser oranlarında artışa sebep olduğu kabul edilmektedir. PM kirliliğinin zararlı etkileri dikkate alındığında, bu kirleticinin gelecek konsantrasyonlarının belirlenmesi, zararların önlenmesi açısından büyük önem taşımaktadır. Bu çalışma ile havadaki PM kirliliğinin derin öğrenme yöntemi kullanılarak tahmin edilmesi amaçlanmaktadır. Geçmiş yıllara ait PM konsantrasyon verileri, meteorolojik faktörler, havadaki diğer kirleticilerin konsantrasyonları da dikkate alınarak tahmin kabiliyeti yüksek bir model oluşturulacaktır. Bu tez çalışmasında, gelecekteki PM2,5 konsantrasyonlarını daha yüksek doğruluk oranları ile tahmin etmek için derin öğrenme yöntemi kullanılmıştır. Çalışma kapsamında veriler Çevre ve Şehircilik Bakanlığı'nın hava kalitesi izleme istasyonlarından temin edilmiştir. Çalışma için Ankara İli, Keçiören İlçesinde yer alan hava kalitesi izleme istasyondan alınan veriler kullanılmıştır. Bu çalışmada makine öğrenmesinin alt sınıfı olan derin öğrenme algoritmaları kullanılmış ve özellikle geçitli tekrarlayan ünite (GRU) ve devirli sinir ağları (RNN) kombinasyonu ile kısa süreli tahmin performansı %83'e yakın bir model oluşturulmuştur.

Particulate matter (PM) is one of the pollutants harmful to health, whose chemical composition and physical properties different from each other. It is accepted as a cancerous air pollutant by the World Health Organization (WHO). There are different PM with various dimensions in the air. In general, they are classified in terms of aerodynamic diameter. The aerodynamic diameter of coarse particles is accepted as 2.5-10 μm. Particles larger than 10 μm are called very coarse particles. It is accepted that powders with fine structure of particle and smaller than 2.5 μm in diameter can reach up to the alveoli in the respiratory system and interfere with the respiratory system. As a result, the life quality of living beings is disrupted and even the increase of cancer rates is possible. When considering the harmful effects of PM pollution, the prediction of future concentrations of this pollutant is of great importance in terms of prevention of damages. With this study, it is aimed to estimate PM pollution in the air using deep learning methods. According to PM concentrations belonging to previous years, meteorological factors and the concentrations of other pollutants found in the air, a prediction model with high accuracy was developed. In this thesis study, deep learning has been used to obtain the accuracy rate of future PM2.5 concentrations with higher estimates. The data has been obtained from the Air Quality Monitoring Stations of the Ministry of Environment and Urbanization. Data obtained from the air quality monitoring station in Keçiören District of Ankara Province were used for the study. In this study, deep learning algorithms, which are the subclass of machine learning, has been used and especially with gated recurrent unit (GRU) and recurrent neural network (RNN) combination, has been formed as close to 83%.