Partikül madde konsantrasyonu tahmininde derin öğrenme yaklaşımlarının karşılaştırmalı incelenmesi = A comparative analysis of deep learning approaches for the prediction of particulate matter concentration

Abstract

Hava kirliliği, insan sağlığını etkileyen en önde gelen faktörlerden biridir. Özellikle Partiküler Madde (PM) hava kirliliğinin ciddi sağlık sorunlarına yol açtığı iyi bilinmektedir. Partiküler Madde (PM2.5 ve PM10) kirleticilerinin kirlilik seviyelerini tahmin etmek için güvenilir modeller geliştirmek, karar vericiler için hayati bir araç olacaktır. Bu çalışma, PM kirliliği tahmini için yüksek doğruluklu yapay zeka tabanlı tahmin modelleri geliştirmeyi amaçlamaktadır. Bu hedef doğrultusunda, hava kalitesi izleme istasyonlarından elde edilen geniş veri setleri üzerinde derin öğrenme algoritmalarıyla çalışılmıştır. Bu çalışma iki ayrı araştırma konusunu ele almaktadır. İlk araştırma konusu, PM10 kirlilik tahmini için farklı Uzun Kısa Süreli Bellek (LSTM) algoritmalarının uygunluğunun değerlendirilmesi ve buna ek olarak Veri Ön İşleme ve Özellik Seçimi (VÖİ-ÖS) sürecinin LSTM modellerinin tahmin doğruluğu üzerindeki etkisinin incelenmesidir. Bu amacı gerçekleştirmek için Yalın (Vanilla), Çift Yönlü (Bi-Directional) ve Yığın (Stacked) olmak üzere üç farklı LSTM modeli geliştirilmiştir. Deney sonuçları, önerilen LSTM modellerinin VÖİ-ÖS işlemi uygulandığında daha yüksek tahmin performansı sergilediğini göstermiştir ve bu modellerin saatlik PM10 konsantrasyonlarını tahmin etmek için kullanılabileceğini ortaya koymuştur. Çalışmanın ikinci araştırma konusu olarak PM2.5 tahmininde Uzun-Kısa Süreli Bellek (LSTM), Yinelemeli Sinir Ağı (RNN) ve Geçişli Tekrarlayan Birimler (GRU) olmak üzere üç tür derin öğrenme algoritmasının tahmin performanslarının karşılaştırılmıştır. Deney sonuçları, LSTM+LSTM modelinin, diğer derin öğrenme algoritmalarına kıyasla eğitim ve test veri setleri için 0,98 ve 0,97'lik bir R2 ile önemli ölçüde daha üstün bir performans gösterdiğini ortaya koymuştur. Ayrıca, önerilen modelin genelleme kabiliyetini değerlendirmek için İstanbul'un dokuz farklı semtindeki istasyonlardan alınan bir yıllık veriler ile model genelleme çalışmaları yapılmıştır.

Air pollution is one of the primary factors affecting human health. Poor air quality has adverse physical and mental effects on human health and quality of life. In particular, it is known that particulate matter air pollution leads to serious health problems. Developing reliable models for predicting particulate matter pollution levels (PM2.5 and PM10) will be essential for decision-makers. This study aims to develop high-accuracy artificial intelligence-based prediction models for PM pollution. DL algorithms were run extensive data obtained from air quality monitoring stations, which are environmental facilities. The study consists of two research areas. The first research subject involves an assessment of various LSTM algorithms' applicability in predicting PM10 pollution levels while concurrently exploring the impact of the DPFS process on the predictive accuracy of the LSTM models. In the subsequent phases of the study, three distinct LSTM models are developed: Vanilla, BiDirectional, and Stacked. Experimental results demonstrate that the proposed LSTM models exhibit high prediction performance when the DP-FS process is applied, indicating their usability in predicting hourly PM10 concentrations. The secondary research focus of this study entails a comparative examination of predictive performances across three distinct deep learning algorithms: LSTM, RNN, and GRU, specifically in the context of PM2.5 prediction. The experimental findings highlight a significant superiority of the LSTM+LSTM model over alternative DL algorithms with R2 values of 0.98 and 0.97 for the training and test sets, respectively. In addition, the generalization ability of the model was evaluated with data from nine different districts of Istanbul.