Abstract

Son yıllarda, dünya çapındaki birçok kentsel alan, ciddi hava kirliliğine ve bununla birlikte gelen sağlık tehlikelerine maruz kaldığından dolayı hava kalitesi tahmini ve önleyici ve düzeltici önlemler alınması önemli bir durum haline gelmiştir. Bu çalışmada Sakarya ilinde hava kalitesi istasyonlarında izlenen hava kalitesi parametreleri göz önüne alınarak, makine öğrenimi ile hava kalitesi tahmini yapılmıştır. Bu amaçla hava kalitesi parametrelerinden PM10, CO, NOX ve NO2 konsantrasyonlarının tahmini için Uzun Kısa Süreli Bellek (LSTM) derin öğrenme yaklaşımı uygulanmış ve performans sonuçları elde edilmiştir. Sonuç olarak uygulanan yöntemin iyi bir tahmin performansına sahip olduğu görülmüştür.

References

[1] Eyüp Yahşi, “Ulusal Hava Kalitesi İzleme Ağı” Hava Kirliliği ve Kontrolü Ulusal Sempozyumu‐2008, 22‐25 Ekim 2008, HATAY

[2] Reichle Jr, Henry G., Vickie S. Connors, J. Alvin Holland, Warren D. Hypes, H. Andrew Wallio, Joseph C. Casas, Barbara B. Gormsen, Mary S. Saylor, ve Wilfred D. Hesketh. “Middle and upper tropospheric carbon monoxide mixing ratios as measured by a satellite-borne remote sensor during November 1981”. Journal of Geophysical Research: Atmospheres 91, sy D10 (1986): 10865-87.

[3] Reisen, Fabienne, CP Mick Meyer, ve Melita D. Keywood. “Impact of biomass burning sources on seasonal aerosol air quality”. Atmospheric Environment 67 (2013): 437-47.

[4] Rahimi A. Short-term prediction of NO2 and NOx concentrations using multilayer perceptron neural network: a case study of Tabriz, Iran. Ecol Process. Aralık 2017;6(1):4. 

[5] Yun, Sug-gyeong, ve Changhyun Yoo. “The effects of spring and winter blocking on PM10 concentration in Korea”. Atmosphere 10, sy 7 (2019): 410.

[6] Ramgolam, Kiran, Olivier Favez, Hélène Cachier, Annie Gaudichet, Francelyne Marano, Laurent Martinon, ve Armelle Baeza-Squiban. “Size-partitioning of an urban aerosol to identify particle determinants involved in the proinflammatory response induced in airway epithelial cells”. Particle and Fibre Toxicology 6, sy 1 (2009): 1-12.

[7] Seng, Dewen, Qiyan Zhang, Xuefeng Zhang, Guangsen Chen, ve Xiyuan Chen. “Spatiotemporal prediction of air quality based on LSTM neural network”. Alexandria Engineering Journal 60, sy 2 (2021).

[8] Kuremoto, Takashi, Shinsuke Kimura, Kunikazu Kobayashi, ve Masanao Obayashi. “Time series forecasting using a deep belief network with restricted Boltzmann machines”. Neurocomputing 137 (2014): 47-56.

[9] Sagheer, Alaa, ve Mostafa Kotb. “Time series forecasting of petroleum production using deep LSTM recurrent networks”. Neurocomputing 323 (2019): 203-13.

[10] Janiesch, Christian, Patrick Zschech, ve Kai Heinrich. “Machine learning and deep learning”. Electronic Markets 31, sy 3 (2021): 685-95.

[11] Liu, Weibo, Zidong Wang, Xiaohui Liu, Nianyin Zeng, Yurong Liu, ve Fuad E. Alsaadi. “A survey of deep neural network architectures and their applications”. Neurocomputing 234 (2017): 11-26.

[12] Bengio, Yoshua. “Learning deep architectures for AI”. Foundations and trends® in Machine Learning 2, sy 1 (2009): 1-127.

[13] Kotsiantis, Sotiris B., Dimitris Kanellopoulos, ve Panagiotis E. Pintelas. “Data preprocessing for supervised leaning”. International journal of computer science 1, sy 2 (2006): 111-17.

[14] Castelli, Mauro, Fabiana Martins Clemente, Aleš Popovič, Sara Silva, ve Leonardo Vanneschi. “A machine learning approach to predict air quality in California”. Complexity 2020 (2020).

[15] Hochreiter, Sepp, ve Jürgen Schmidhuber. “Long short-term memory”. Neural computation 9, sy 8 (1997): 1735-80.