PM10, 10 mikrometreden daha küçük boyutta, havada askıda kalma özelliğine sahip parçacık madde olarak tanımlanabilir. PM10’un çok yüksek konsantrasyonları insan ve çevreyi şiddetli biçimde etkiler. Bu çalışmada, hava kalitesinin değerlendirilmesi amacıyla, ikincil parametreler ile PM10 arasındaki ilişkilerin ortaya çıkarılmasına odaklanılmıştır. Analizler için istatistiksel öğrenmeye dayalı düzenleme yöntemleri olan Ridge, Lasso ve Elastic-net yordamlarından yararlanılmıştır. Özellikle Elastic-net yordamının PM10 tahmininde kullanımı yenilik taşımaktadır. Hesaplamaların sonucu olarak, bütün modellerin yüksek kestirim kapasitesine sahip oldukları kaydedilmiştir. Bununla birlikte, gerek kestirim başarısı ve gerekse de model gürbüzlüğü (duraylılığı) bakımından Elastic-net modeli diğer yöntemlerle karşılaştırıldığında daha başarılı sonuçlar vermektedir. Model hata ölçümleri (MSE ve MAPE) temel alındığında, en iyi sayısal sonuçlar Elastic-net modeliyle elde edilmiştir. Makine öğrenmesine dayalı düzenleme yordamlarının çevresel problemlerin değerlendirilmesi amacıyla kullanımı başarılı, genelleştirilmiş ve şeffaf model yapılarının oluşturulmasını sağlayabilecektir.
PM10 can be stated as a particulate matter smaller than 10 micrometer and it can be suspended in the air. The incremental concentration of PM10 affects both human and environment drastically. In this study, an air quality assessment by exhibiting the potential relationships among the secondary indicators and PM10 has been focused. For the analyses, statistical learning-based regularization procedures such as Ridge, the Lasso and Elastic-net algorithms have been practiced. In particular, use of Elastic-net algorithm in predicting PM10 concentration includes a novelty. As a result of the computational studies, it has been recorded that all the models showed high accuracy capacities. However, the elastic-net model outperforms the other models both accuracy and robustness (stability). Considering the error measurements (MSE and MAPE), the best numerical results have been provided by the Elastic-net model. Use of machine learning-based regularization algorithms in environmental problems can provide accurate model structures as well as generality and transparency.
Alan : Mühendislik
Dergi Türü : Ulusal
Benzer Makaleler | Yazar | # |
---|
Makale | Yazar | # |
---|