Hava kalitesi tahminlemesi için bir yöntem gerçekleştirilmesi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Maltepe Üniversitesi, Lisansüstü Eğitim Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: DERYA AKBAYIR
Danışman: Emin Murat Esin
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Hava kirliliği, modern şehirleşmenin göz ardı edilen bir sonucu olarak, yaşamımızı etkileyen en önemli çevresel ve halk sağlığı sorunlarından biri olmuştur. Kentsel hava kalitesi izlenme süreçlerinin önemli bir aşaması olan hava kalitesi tahmin modelleri kullanılarak, hava kalitesinin gelecekte nasıl olacağını tahmin etmemizi sağlar. Bu çalışmada, hava kalitesi ve meteoroloji verilerini kullanarak kısa ve orta vadeli PM₁₀ tahminleri için özgün bir hibrit derin öğrenme modeli önerilmektedir. Bu model, doğrusal olmayan ve mevsimsel bileşenleri etkili bir şekilde modelleyerek tahminlerin doğruluğunu ve genellenebilirliğini artırmayı amaçlamaktadır. Bu çalışma, Ankara il sınırları içerisindeki 18 hava kalitesi izleme istasyonundan 2019-2023 yılları arasında saatlik olarak kaydedilen PM10, PM2.5, SO₂, CO, NO₂, NOₓ, NO ve O₃ kirleticileri ile sıcaklık, nem, yağış miktarı, rüzgâr hızı ve basınç gibi meteorolojik değişkenleri içeren kapsamlı bir veri setine dayanmaktadır. Önerilen model yapısı, zaman serilerindeki uzun mesafeli bağımlılıkları tespit etmede başarılı olan Uzun Kısa Süreli Bellek (Long Short -Term Memory, LSTM) katmanları ile verinin farklı bölümlerine odaklanabilme yeteneği sunan dikkat mekanizmaları kullanan Transformer Encoder bloklarını birleştirir. Tek adımlı tahmin yöntemleri yerine özyinelemeli tahmin tekniği uygulanmıştır. Böylelikle model, her tahmin sonucunu bir sonraki adımın girdisi olarak kullanarak üç günlük ardışık öngörüler gerçekleştirmiştir. Bu yöntemle, özellikle geleceğe yönelik tahminlerde toplam hata birikiminin azaltılması amaçlanmıştır. Modelin hiperparametre ayarlama sürecinde, Optuna kütüphanesinde bulunan TPE (Tree-structured Parzen Estimator) örnekleyici kullanılarak, öğrenme oranı, katman sayısı ve pencere uzunluğu gibi önemli parametreler sistematik bir şekilde optimize edilmiştir. Bununla birlikte, aşırı öğrenmenin (overfitting) engellenmesi ve modelin genelleme yeteneğini yükseltmek amacıyla, Batch Normalization, Dropout ve ağırlıkların güncellenmesinde AdamW optimizasyon algoritması kullanılmıştır. Deneysel bulgular, önerilen hibrit modelin hem kısa vadeli (1–24 saat) hem de orta vadeli (25–72 saat) tahminlerde literatürdeki geleneksel istatiksel yöntemler ile güncel derin öğrenme yöntemlerine nazaran anlamlı derecede daha düşük ortalama mutlak hata (MAE) ve kök ortalama kare hata (RMSE) sonuçları ortaya koyduğunu göstermektedir. Diğer taraftan, yalnızca 588 bin parametreli yapısıyla, daha büyük grafik-temelli modellere göre dikkate değer bir hesaplama verimliliği elde edilmiştir. Geliştirilen model ayrıca, Streamlit temelli kullanıcı dostu bir arayüzle desteklenmiştir. Bu arayüz aracılığıyla, istasyon bazında görselleştirmeler, zamansal tahmin grafikleri ve gerçek zamanlı veri akışlarını etkili bir şekilde sunmak mümkündür. Modelin gerçek zamanlı veri akışlarıyla birleşimi, ani hava kalitesi değişimlerine karşı sürekli ve güncel öngörüler sunabilmektedir. Bu bağlamda sistem, sadece tahmin çıktıları değil, aynı zamanda dinamik çevresel koşullara duyarlı ve sürdürülebilir bir öngörü sistemi olarak tasarlanmıştır. Sonuç olarak, bu tez kapsamında geliştirilen hibrit derin öğrenme modeli ile destekleyici sistem altyapısının, hava kirliliğinin olumsuz etkilerinin azaltılması ve koruyucu önlemlerin zamanında alınabilmesi için yetkili kurumlara önemli katkılar sağlayabileceği öngörülmektedir. Özellikle, kentsel hava kalitesi yönetimi alanında, veri odaklı stratejik karar alma süreçlerini destekleyecek fonksiyonel bir karar destek sistemi altyapısı olarak entegre edilebilme potansiyeline sahip olduğu değerlendirilmektedir.