Kayseri ili hava kirliliği parametrelerinin özelleştirilmiş makine öğrenmesi metodu ile tahmini

Abstract

Yerküremizi kuşatarak canlı yaşamına olanak sağlayan atmosfer, temelde belli oranlarda bir gaz karışımı olmakla birlikte, kimyasal ve fiziksel özelliklerine göre çeşitli katmanlara ayrılmaktadır. Deniz seviyesinden itibaren ortalama yüksekliği 10 km olan, meteorolojik olayların büyük bir kısmının içerisinde gerçekleştiği ve doğal ya da doğal olmayan emisyonların bünyesinde tutulduğu troposfer olarak adlandırılan hava katmanı hava kirliliği açısından önem taşımaktadır. Sıcaklık, troposferin yapısı gereği yükseklikle azalma eğiliminde iken belirli meteorolojik ve topografik şartlarda sıcaklık terselmesi adı verilen inversiyon (sıcaklığın yükseklikle arttığı durumlar), hava kirliliğinin yüzeye yakın seviyelerde tutunmasına zemin hazırlamaktadır. Yapılan tez çalışmasında, İç Anadolu bölgesinde Ulusal Hava Kalitesi indeksi standartları üzerinde değerler ölçülen Kayseri il merkezi için hava kirliliğinin meteorolojik veriler kullanılarak yapay sinir ağları yardımıyla tahmin edilmesi amaçlanmıştır. Çalışmada; Çevre, Şehircilik ve İklim Değişikliği Bakanlığı'nın Ulusal Hava Kalitesi İzleme Ağına bağlı bulunan Kayseri-Hürriyet istasyonuna ait hava kirliliği ölçüm verilerinden CO, PM10 ve SO2 parametreleri, Kayseri havalimanında bulunan Meteoroloji Genel Müdürlüğü'ne ait meteoroloji istasyonundan yer seviyesi meteorolojik bilgileri ve Meteoroloji 7. Bölge Müdürlüğü'nde bulunan Radyosonde istasyonu yüksek atmosfer gözlemlerinden enverziyon bilgileri olmak üzere 3 başlıktaki verinin uygun şartlarda bir araya getirilmesiyle oluşturulan veri seti kullanılmıştır. Makine öğrenmesi kapsamında kavramsallaştırılan yapay sinir ağı modelinde, Ocak 2016-Ağustos 2021 dönem aralığını kapsayan meteorolojik veri setleri (en alçak seviye bulutun taban yüksekliği, toplam bulut kapalılığı, rüzgâr hızı, rüzgâr yönü, hava sıcaklığı, nispi nem miktarı, aktüel basınç seviyesi, enverziyon katmanının başlangıç ve bitiş seviyelerinin; sıcaklık, yükseklik ve basınç değerleri ile katmanın nem miktarı ortalaması, ayrıca yer seviyesinde gözlemlenen görüş kısıtlayıcı ve hidrometeorolojik hadiseler) model giriş verisi olarak kullanılarak, zamansal çözünürlüğü `bir saat` olacak şekilde hava kirliliği parametrelerinin (CO, PM10 ve SO2) tahmini gerçekleştirilmiştir. Model çıktılarının tahmin doğruluğu MAPE (Mean absolute percentage error), RMSE (Root mean square error) ve R2 değerleri hesaplanarak yorumlanmıştır. Üç farklı yöntem uygulanarak kurgulanan 42 adet yapay sinir ağı modelinin, 28 farklı meteorolojik parametre girdisi ile çalıştırılması sonucunda yıllık ortalamalarda CO parametresi için 0,83 oranında R2 ve 21,0 MAPE değeri, PM10 parametresi için 0,87 oranında R2 ve 17,1 MAPE değeri, SO2 parametresi için 0,66 oranında R2 ve 24,6 MAPE değeri hesaplanmıştır. Hata oranları literatür çalışmaları açısından değerlendirildiğinde kurulan modellerin kabul edilebilir aralıkta tahminler yaptığı görülmüştür. Bu bağlamda, mevcut tez çalışmasının hava kirliliğinin doğru ve güvenilir tahmin edilmesi alanında gelecekte geliştirilecek yapay sinir ağı modelleri için örnek ve kılavuz bir çalışma olacağı düşünülmektedir.

The atmosphere, which surrounds our globe and enables life, is basically a mixture of gases in certain proportions, but is divided into various layers according to its chemical and physical properties. The air layer called the troposphere, which has an average height of 10 km from sea level, where most of the meteorological events take place and where natural or unnatural emissions are kept, is important in terms of air pollution. Due to the nature of the troposphere, while the temperature tends to decrease with height, inversion called temperature inversion under certain meteorological and topographical conditions (cases where the temperature increases with height) paves the way for air pollution to stick at levels close to the surface. In the thesis study, it was aimed to predict the air pollution with the help of artificial neural networks using meteorological data for the city center of Kayseri, whose values are measured on the National Air Quality index standards in the Central Anatolia region. In the study; The air pollution measurement information – CO, PM10 and SO2 parameters, of the Hürriyet station, which is connected to the National Air Quality Monitoring Network of the Ministry of Environment, Urbanization and Climate Change, ground level meteorological information from the meteorology station of the Turkish State Meteorological Service at Kayseri Airport, and temperature inversion information from high atmosphere observations of Radiosonde station from Meteorology Regional Directorate uses the data set created by bringing together the data under 3 headings under appropriate conditions. Within the scope of machine learning, the model was trained-tested and predicted by running on the basis of long-short-term memory architecture, which is an iterative artificial neural network model, covering the period of January 2016-August 2021, using air pollution parameters and meteorological data sets (lowest level cloud base height, total cloud cover, wind speed, wind direction, relative humidity amount, actual pressure level and the temperature, height, pressure level of start and end levels of inversion layer, in addition, sight-restricting and hydrometeorological events observed at ground level) covering the period of January 2016-August 2021 were used as model input data, and air pollution parameters (CO, PM10 and SO2) were estimated with a temporal resolution of `one hour`. The estimation accuracy of the model outputs was interpreted by calculating MAPE (Mean absolute percentage error), RMSE (Root mean square error) and R2 values. As a result of running 42 artificial neural network models, constructed by applying three different methods, with 28 different meteorological parameter inputs, in annual averages, 0.83 R2 and 21.0 MAPE values for the CO parameter, 0.87 R2 and 17.1 MAPE for the PM10 parameter, 0.66 R2 and 24.6 MAPE values were calculated for SO2 parameter. When the error rates were evaluated in terms of literature studies, it was seen that the established models made predictions in an acceptable range. In this context, it is thought that the current thesis will be an exemplary and guiding study for artificial neural network models to be developed in the future in the field of accurate and reliable estimation of air pollution.