Hava kalitesi üzerine yapay zeka uygulamaları

Abstract

Bu çalışmada yapay zekâ tabanlı yöntemler kullanılarak hava kirliliği parametrelerinden PM10 ve SO2 konsantrasyonlarının tahmini amaçlanmıştır. Bu kapsamda Yapay Sinir Ağları (Artificial Neural Networks, ANN) ve Radyal Tabanlı Fonksiyon (Radial Basis Function, RBF) modelleri Bursa, Çanakkale ve Balıkesir illerine ait ölçüm verileri üzerinde uygulanmıştır. Modellerin performansları Nash-Sutcliffe (NS), Hata Kareler Ortalamasının Karekökü (RMSE), Standart Sapma Oranı (RSR) ve Yüzde Sapma (Pbias) istatistikleri ile değerlendirilmiştir. Elde edilen sonuçlar, PM10 tahminlerinde ANN ve RBF yöntemleri birbirine yakın performanslar sergilemiş, özellikle Çanakkale verilerinde her iki yöntemde de yüksek uyum değerleri elde edilmiştir. Balıkesir verilerinde ise her iki yöntem de görece daha düşük performans göstermiştir. SO2 tahmininde ise RBF modelinin ANN'ye kıyasla daha yüksek doğruluk sağladığını ortaya koymuştur. Özellikle Bursa verilerinde RBF modeli eğitim aşamasında 0.97 gibi oldukça yüksek bir NS değerine ulaşmıştır. ANN modelinde ise bazı durumlarda test aşamasında negatif NS değerleri gözlenmiş, bu da modelin genelleme yeteneğinin sınırlı olduğunu göstermiştir. Genel olarak, yapay zekâ tabanlı yöntemlerin hava kirliliği parametrelerinin tahmininde etkili araçlar olduğu, ancak model performanslarının bölgesel verilerin özelliklerine bağlı olarak değişkenlik gösterebildiği sonucuna varılmıştır. Gelecek çalışmalarda hibrit yaklaşımların kullanılması, meteorolojik parametrelerin modele entegre edilmesi ve daha kapsamlı veri setlerinin değerlendirilmesi ile tahmin performanslarının artırılabileceği öngörülmektedir. RBF ağlarının hava kalitesi çalışmalarında uygulanabilirliğini göstermesi bakımından literatüre özgün bir katkı sunmaktadır.In this study, artificial intelligence-based methods were employed to predict the concentrations of two major air pollution parameters, PM10 and SO2. Artificial Neural Networks (ANN) and Radial Basis Function (RBF) models were applied using measurement data obtained from the provinces of Bursa, Çanakkale, and Balıkesir. The performances of the models were evaluated using statistical indicators including Nash-Sutcliffe Efficiency (NS), Root Mean Square Error (RMSE), Ratio of Standard Deviation (RSR), and Percent Bias (PBIAS). The results showed that the ANN and RBF methods exhibited similar performance in predicting PM10 concentrations, with both models achieving high NS values for the Çanakkale dataset. However, for the Balıkesir dataset, both methods yielded comparatively lower performance. In the estimation of SO2 concentrations, the RBF model outperformed ANN, providing higher prediction accuracy. Notably, the RBF model achieved a very high NS value of 0.97 during the training phase for the Bursa dataset. In contrast, the ANN model produced negative NS values in some test cases, indicating limitations in its generalization capability. Overall, the findings indicate that artificial intelligence-based approaches can serve as effective tools for predicting air pollution parameters; however, model performance may vary depending on the characteristics of regional datasets. Future studies are recommended to incorporate hybrid modeling approaches, integrate meteorological variables into the models, and utilize more extensive datasets to enhance prediction accuracy. It makes an original contribution to the literature by demonstrating the applicability and potential of RBF networks in air quality modeling and assessment.