ELAZIĞ HAVALİMANI HAVACILIK EMİSYONLARININ MAKİNE ÖĞRENMESİ İLE ANALİZİ

Abstract

Havacılığın ulaşım sektöründeki giderek artan payı, havacılık sektörünün küresel ısınma ve kirlenmeye olan etkisinin de incelenmesine yol açmaktadır. Bu etmenler göz önüne alındığında havacılık sektörünün çevreye olan etkisinin incelenmesi, artan küresel farkındalık nedeniyle önemli bir araştırma konusu haline gelmiştir. Özellikle, havacılık sektörünün sera gazı emisyonundaki payı göz önüne alındığında, bu konuda yapılacak doğru emisyon hesaplamaları ve ileriye dönük tahminleme çalışmaları, havacılık sektörünün geleceğinin belirlenmesi ve sera gazı emisyonuna yönelik önleyici tedbirlerin alınması için önemli bir etkendir. Bu tez çalışmasında, Elazığ Havalimanını kullanan uçakların yer hareketi (taksi) sırasında atmosfere saldıkları gazların (HC, CO, NOx, CO?) detaylı bir envanterinin oluşturulması ve bu emisyonların makine öğrenmesi yöntemleriyle tahmin edilebilirliğinin değerlendirilmesi amaçlanmıştır. Elazığ Havalimanı 2023 ve 2024 yıllarına ait 11042 ticari uçuş hareketini içeren hesaplama sonucunda, uçakların taksi süresi boyunca yaklaşık 1265 kg HC, 20942 kg CO, 6093 kg NOx ve 3,98 milyon kg CO? gaz salınımı gerçekleştirdiği hesaplanmıştır. İki yıllık gaz emisyon hesaplamasının ardından, Doğrusal Regresyon, Destek Vektör Regresyonu (SVR), Rastgele Orman (RF) ve Gradyan Artırma Makineleri (GBM) modelleri kullanılarak geçmiş verilere dayalı kısa vadeli tahmin performansları test edilmiştir. RMSE, MAE ve MAPE metrikleri yardımıyla model performansları karşılaştırılmıştır. Sonuçlar, topluluk öğrenme yöntemlerinin diğer modellere göre daha yüksek doğruluk sağladığını ve en iyi modelde yaklaşık %12 MAPE değeri elde edildiğini göstermiştir. Bu tez çalışması, gerçek taksi süreleri kullanılarak Elazığ Havalimanı için doğruluğu yüksek gaz emisyonları hesaplamasını ve emisyonların makine öğrenmesi modelleriyle tahminlerinin yapılabilirliğini gösteren detaylı bir analizdir. Çalışmanın ileri ki zamanlarda politika yapıcılara, şehir yöneticilerine ve planlamacılara yol gösterecek bilgi ve yöntemler sunacağı öngörülmektedir.

The increasing share of aviation in the transportation sector has led to a growing interest in examining its impact on global warming and environmental pollution. In light of these factors, assessing the environmental impact of the aviation sector has become a significant research topic due to rising global awareness. Particularly considering the sector's contribution to greenhouse gas emissions, accurate emission inventories and forward-looking estimation studies are essential for shaping the future of aviation and implementing preventive measures against emissions. This thesis aims to create a detailed inventory of the gases (HC, CO, NOx, CO?) released into the atmosphere during aircraft ground operations (taxiing) at Elazığ Airport and to evaluate the predictability of these emissions using machine learning methods. Based on calculations involving 11,042 commercial flight operations at Elazığ Airport in 2023 and 2024, it was estimated that approximately 1,265 kg of HC, 20,942 kg of CO, 6,093 kg of NOx, and 3.98 million kg of CO? were emitted during taxiing operations. Following the two-year emission inventory, short-term prediction performance was tested using Linear Regression, Support Vector Regression (SVR), Random Forest (RF), and Gradient Boosting Machine (GBM) models. Model performance was evaluated using RMSE, MAE, and MAPE metrics. The results indicated that ensemble learning methods provided higher accuracy compared to other models, with the best model achieving a MAPE of approximately 12%. This thesis presents a detailed analysis demonstrating that high-accuracy emission estimates can be achieved for Elazığ Airport using actual taxi times, and that these emissions can be reasonably modeled using machine learning approaches. The study is expected to offer valuable insights and methods for policymakers, urban planners, and decision-makers in the future.