Destek vektör regresyon ile hava kirliliği tahmini

Abstract

Hava kirliliğinin tahminlenmesi, insan ve çevre sağlığına önemli zararlar veren hava kirliliğine karşı erken önlem alınması açısından oldukça önemlidir. Bu çalışmada günlük ortalama hava kirliliği miktarının, önemli bir hava kirletici olan SO2 (kükürtdioksit) konsantrasyonu üzerinden tahminlenmesi amaçlanmıştır. Tahminleme modeli, Denizli il merkezinde 2005-2015 yılları arasında ölçülen SO2, ve PM10 (partikül madde) konsantrasyonu ile sıcaklık, basınç, çiğ noktası, rüzgar, yağmur gibi meteorolojik verilerle kurulmuştur. Kirletici miktarı verileri Ulusal Hava Kalitesi İzleme Ağı’nın, meteorolojik veriler ise ABD Ulusal Okyanus ve Atmosfer Dairesi (NOAA)’nin veri tabanından çekilmiştir. Tahminleme çalışmasında, öncelikle radyal tabanlı, polinom, sigmoid ve Pearson VII gibi çeşitli çekirdek fonksiyonları ile çalıştırılan destek vektör regresyon yöntemi kullanılmıştır. Bununla beraber elde edilen sonuçları karşılaştırmak amacıyla, literatürde yaygın olarak kullanılan çok katmanlı sinir ağı ve çoklu doğrusal regresyon yöntemleri de kullanılmıştır.

Prediction of air pollution is considerably important in terms of precautions to be taken against air pollution which cause significant harm to human and environmental health. In this study, it was aimed to predict the daily average concentration of SO2 (sulfur dioxide), which is an important air pollutant. The prediction model was built using historical meteorological data such as temperature, pressure, dew point, wind, precipitation and concentration of SO2 and PM10 (particulate matter) measured in Denizli city center between the years 2005-2015. Air pollutant concentration data were retrieved from the database of the TR National Air Quality Monitoring System, while meteorological data were retrieved from the US National Oceanic and Atmospheric Administration (NOAA) database. In this prediction study, support vector regression method which was first run various kernel functions such as radial basis, polynomial, sigmoid and Pearson VII was used. In addition to these, multilayer neural network and multiple linear regression method, which are widely used in the literature, also was used in order to compare the results.