HAVA KALİTESİ TAHMİNİNDE VERİ GÖRSELLEŞTİRME VE DERİN ÖĞRENME MODELLERİNİN KARŞILAŞTIRILMALI ANALİZİ

Abstract

Hava kirliliği, günümüzde en önemli çevresel sorunlardan biri olarak öne çıkmaktadır. Artan nüfus, hızlı kentleşme ve sanayileşme gibi faktörler, hava kirliliği seviyelerinin giderek yükselmesine yol açmaktadır. Ülkemizde, farklı bölgelerde havadaki kirletici maddeler düzenli olarak ölçülmekte ve bu ölçümlerden elde edilen veriler sürekli büyüyen bir veri kümesini oluşturmaktadır. Bununla birlikte, artan veri hacmi bazı zorlukları da beraberinde getirmektedir. Farklı kaynaklardan toplanan verilerin çeşitliliği ve büyüklüğü, analiz ve modelleme süreçlerini daha karmaşık hale getirmektedir. Ayrıca, atmosferdeki kirleticilerin hareketi ve çevresel değişkenlerin etkileri, hava kalitesinin doğru bir şekilde tahmin edilmesini daha da güçleştirmektedir. Bu çalışmada, Türkiye Çevre, Şehircilik ve İklim Değişikliği Bakanlığı Sürekli İzleme Merkezi tarafından sağlanan veriler kullanılarak havadaki farklı kirletici maddelerin üç farklı derin öğrenme yöntemleri olan Evrişimsel Sinir Ağı (CNN), Tekrarlayan Sinir Ağı (RNN) ve Uzun Kısa Süreli Bellek (LSTM) ile verinin karşılaştırılmalı olarak tahminlemesi, tahminlemede en iyi sonuç veren yöntem ile gelecek üç yılın tahmini, daha sonrasında ise bu elde edilen değerlerin görselleştirilmesi sağlanmıştır. Veri görselleştirmesi olarak Violin Plot, Box Plot ve Point Scatter grafikleri kullanılmıştır. Veri tahminlemesinin, gelecekteki belirsizlikleri azaltma açısından yararlı olacağı düşünülmektedir. Veri görselleştirmesi ise uzman olmayan kişilerin görüntülenen konsantrasyon profillerinden hava kalitesi bilgilerini tahmin etmesini ve anlamasını kolaylaştırmaktadır. Bu çalışmada kullanılan modeller arasında, CNN ile PM10 için 0.88, SO2 için 0.93, LSTM ile PM10 için 0.94, SO2 için 0.95 doğruluk oranlarına ulaşılmıştır. Bu tez çalışması, İstanbul ilinin Başakşehir ilçesine ait hava kirliliği verilerini kullanarak, hava kalitesi tahmini ve veri görselleştirme süreçlerinde derin öğrenme modellerinin karşılaştırmalı analizlerini içermektedir. Çalışmanın özgünlüğü hem görselleştirme hem de derin öğrenme yöntemlerinin birlikte ele alınmasıdır.

Air pollution stands out as one of the most important environmental problems today. Factors such as increasing population, rapid urbanization, and industrialization lead to increasing air pollution levels. In our country, pollutants in the air are measured regularly in different regions and the data obtained from these measurements constitute an ever-growing data set. However, the increasing data volume also brings some difficulties. The variety and size of the data collected from different sources make the analysis and modeling processes more complex. In addition, the movement of pollutants in the atmosphere and the effects of environmental variables make it even more difficult to estimate air quality accurately. In this study, using the data provided by the Continuous Monitoring Center of the Ministry of Environment, Urbanization and Climate Change of Turkey, the data of different pollutants in the air were estimated comparatively with three different deep learning methods, namely Convolutional Neural Network (CNN), Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM), the prediction of the next three years with the method that gave the best results in the prediction and then the visualization of these obtained values were provided. Violin Plot, Box Plot, and Point Scatter graphics were used as data visualization. It is thought that data estimation will be useful in reducing future uncertainties. Data visualization makes it easier for non-experts to estimate and understand air quality information from the displayed concentration profiles. Among the models used in this study, accuracy rates of 0.88 for PM10 with CNN, 0.93 for SO2, 0.94 for PM10 with LSTM, and 0.95 for SO2 were achieved. This thesis study includes comparative analyses of deep learning models in air quality estimation and data visualization processes using air pollution data from Başakşehir district of Istanbul. The originality of the study is that both visualization and deep learning methods are considered together.