Son yıllarda artan insan nüfusu ile fosil yakıt kullanımı yaygınlaşmıştır. Enerji üretimi, ulaşım, ısınma gibi birçok kullanım alanına sahip fosil yakıtların yanması sonucunda atmosfere salınan zararlı maddelerin yoğunluğu hem kentsel hem de kırsal bölgelerde insan sağlığını tehdit edecek seviyelere ulaşabilmektedir. Lokal hava kalitesini muhafaza edecek önlemler almak ve kirleticilerin zararlarını en aza indirebilmek için ileriye yönelik emisyon tahminlerinde bulunmak büyük önem arz etmektedir. Çalışmamızda yanma sonucunda açığa çıkan önemli kirleticilerden PM10 ve SO2 maddelerinin mevcut günlük kayıtları kullanarak gelecekte olması muhtemel değerleri tahmin edilmeye çalışılmıştır. Erzincan ilinde 2016-2018 yılları arasında ölçülmüş toplam 651 adet veri kullanılarak bir model oluşturulmuştur. Model oluşturma aşamasında verilerin ilk 400 adeti eğitim, geriye kalan 251 adet veri doğrulama olmak üzere ikiye ayrılmıştır. Modeller K-En Yakın Komşuluk (KNN) algoritması kullanılarak kurulmuş ve modelleme başarısını arttırmak adına önişlem süreçlerinden biri olan dalgacık dönüşüm tekniği uygulanmıştır. Dalgacık dönüşümü ile oluşturulan modellerin, tahmin başarısını büyük derecede iyileştirdiği gözlemlenmiştir. Bu çalışma uygulaması basit makine öğrenmesi yöntemlerinden olan KNN’nin hava kirliliği tahmin modellerinde kullanılabileceğini kanıtlamıştır.
In recent years, the population has increased with the use of fossil fuel. As a result of the burning of fossil fuels with many uses such as energy production, transportation, heating, the intensity of harmful substances released into the atmosphere can reach levels that threaten human health in both urban and rural areas. It is of great importance to take measures to maintain local air quality and to make future emissions forecasts to minimize the damage of pollutants. Our study has been trying to predict the likely values of PM10 and SO2 substances in the future using the current daily records of important pollutants revealed as a result of burning. A model was created using a total of 651 data measured between 2016 and 2018. In the modeling phase, the first 400 data were divided into two formations, the remaining 251 data verification. Models are built using the K-Last Neighborhood (KNN) algorithm and the wave transformation technique is implemented, which is one of the predictive processes in order to increase the success of modeling. The models created with the wave transformation have been observed to greatly improve the forecast success. This study application has shown that the simple machine learning methods of KNN can be used in air pollution predictions models.
Alan : Mühendislik
Dergi Türü : Ulusal
Benzer Makaleler | Yazar | # |
---|
Makale | Yazar | # |
---|