Atıf Sayısı
2
Görüntüleme
24
İndirme
2
Sanayideki gelişmeler, nüfus artışı, çarpık kentleşme gibi sebepler hava kirliliğini artırmaktadır. Hava kirliliği tüm ekolojiyi ve insan sağlığını olumsuz yönde etkilediği için küresel anlamda önemlidir. Hava kirliliğinden kaynaklı oluşabilecek tehlikeli durumları önleyebilmek için önceden tedbirler alınmalıdır. Hava kirliliğini etkileyen unsurların önceden tahmin edilmesi ile oluşabilecek tehlikeli durumları önlemek mümkün olabilir. Partikül madde (PM) değeri hava kirliliğinin derecesini belirtmek için yaygın olarak kullanılan bir parametredir. Aerodinamik çapı 10 µm’den küçük olan partiküller madde olarak tanımı yapılan PM10 parametresi, ülkemiz için belirlenen sınır değerleri aşmaktadır ve dolayısıyla PM10 konsantrasyonunun artışında önlem alınması ciddi önem taşımaktadır. Bu çalışmada hava kalitesinin belirlenmesinde büyük rolü olan PM10 parametresinin değerlerinin tahmini üzerine araştırmalar yapılmıştır. Bu çalışmada, Meteoroloji Genel Müdürlüğü’ne ait İç Anadolu Bölgesi ve çevresindeki istasyonlara ait gerçek ölçüm verileri kullanılmıştır. Hava kalitesi indeksinin hesaplanmasında kullanılan kirletici madde parametrelerinin değerleri kullanılarak PM10 parametresinin değeri tahmin edilmiştir. Son yıllarda tahmin işlemlerinde derin öğrenme yöntemleri sıklıkla kullanılmaktadır. Derin öğrenme yöntemlerinden uzun süreli kısa bellek ağı (LSTM) modeli zamansal olarak bir önceki durumdan etkilenen veri kümelerinde yaygın olarak kullanılmaktadır. Anlık hava kalitesi bir önceki durumlardan etkilendiğinden dolayı bu çalışmada LSTM derin öğrenme modeli bir ilin PM10 değerlerinin tahmin edilmesi için önerilmiştir. Önerilen LSTM tabanlı modelin performansı klasik derin öğrenme yöntemi (DL) ile karşılaştırılmıştır. Yöntemlerin başarım performansını irdelemek için değerlendirme kriteri ortalama hata kare kökü (RMSE) ve ortalama mutlak hata (MAE) değerleri kullanılmıştır. Deneysel değerlendirmeler, önerilen LSTM yönteminin DL yöntemine göre PM10 değerlerinin tahmininde daha başarılı tahminler elde ettiğini göstermektedir. Ayrıca LSTM yönteminin veri kaybı olduğu durumlarda DL yöntemine kıyasla veri sayısından daha az etkilendiği görülmüştür.
The developments in the industry, the increase in population, disrupted urbanization, and other causes increase air pollution. Air pollution is important globally because it affects the entire ecology and human health in a negative way. Preliminary measures should be taken to prevent dangerous conditions that may be caused by air pollution. It may be possible to prevent dangerous situations that may occur by the pre-prediction of the elements affecting air pollution. The particle value (PM) is a commonly used parameter to determine the degree of air pollution. The PM10 parameter defined as a substance for particles with a aerodynamic diameter of less than 10 μm exceeds the limit values set for our country, and therefore it is serious to take measures to increase the PM10 concentration. In this study, research was conducted on the estimation of the values of the PM10 parameter, which plays a major role in determining air quality. In this study, the actual measurement data of the Internal Anadolu Region and the surrounding stations of the Meteorology General Directorate were used. The value of the PM10 parameter was estimated using the values of the pollutant parameters used in the calculation of the air quality index. In recent years, profound learning methods are often used in predictive processes. The long-term short memory network (LSTM) model of deep learning methods is widely used in data sets that are temporarily affected by the previous situation. As the immediate air quality is affected by previous situations, this study suggested that the LSTM deep learning model predicts the PM10 values of a year. The performance of the recommended LSTM-based model is compared to the classic deep learning method (DL). The evaluation criteria for measuring the performance of the methods are the average error square root (RMSE) and the average absolute error (MAE) values used. Experimental assessments show that the recommended LSTM method has achieved more successful predictions in predictions of PM10 values compared to the DL method. The LSTM method has also been found to be less affected by the number of data in cases of data loss compared to the DL method.
Developments in industry, population growth and unplanned urbanization are the main factors of air pollution increase. Since air pollution negatively affects all ecology and human health, it has global importance. Precautions should be taken to prevent dangerous situations that may arise from air pollution. Hazardous situations that may occur can be prevented by predicting the factors affecting air pollution. The particulate matter (PM) value is a commonly used parameter to indicate the degree of air pollution. The parameter PM10, which is defined as particles with an aerodynamic diameter less than 10 µm, exceeds the limit values determined for our country, and therefore it is of great importance to take precautions in the increase of PM10 concentration. In this study, the values of the PM10 parameter, which has a great role in determining the air quality, is tried to be predicted. In this study, real measurement data of the Central Anatolian Region and surrounding stations belonging to the General Directorate of Meteorology were used. The value of the PM10 parameter was estimated by using the values of the pollutant parameters used in the calculation of the air quality index. In recent years, deep learning methods have been frequently used for prediction. The long-term short-memory network (LSTM) model, one of the deep learning methods, is widely used in datasets that are temporally affected by the previous situation. Since the previous conditions affect the instantaneous air quality, LSTM deep learning model is proposed to predict PM10 values of a city. The performance of the proposed LSTM-based model is compared with the classical deep learning method (DL). Root mean error square (RMSE) and mean absolute error (MAE) values were used to evaluate the performance of the methods. Experimental evaluations show that the proposed LSTM method is more successful in estimating PM10 values than the DL method. In addition, it has been observed that the LSTM method is less affected by the number of data compared to the DL method in cases where there is data loss.
Alan : Fen Bilimleri ve Matematik; Mühendislik
Dergi Türü : Uluslararası
Makale Detay 
Atıf Yapanlar
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Bu Sayfayı Yazdırın
Paylaş
Mendeley
