Çevre kirliliğinin izlenmesinde makine öğrenmesi algoritmaları kullanımı

Artan nüfus, sanayileşme, toksik atıkların bertarafı ve sağlıksız tarımsal faaliyetler toprak kirliliğini artırarak çevresel dengeyi bozmaktadır. Bunlardan biri de hidrokarbon kirliliğidir. Hem ekosistemlerin doğal yapılarında kalabilmesi hem de insan sağlığının olumsuz etkilenmemesi için oluşan hidrokarbon kirliliğinin sınırlarının belirlenmesi, izlenmesi ve doğru şekilde müdahale edilmesi gerekmektedir. Kimyasal deneyler yapmak bir yöntem iken bir diğer yöntem de belirli zaman aralıklarında ortamın elektriksel özelliklerini incelemektir. Kimyasal deneylere göre daha geniş alanları tarayabilen ve alınan numunelere zarar vermeden bunu yapabilen jeofizik spektral indüklenmiş polarizasyon (SIP) yöntemi son yıllarda popüler hale gelmiştir. Zamanla hidrokarbonlarla kirlenen alanlarda manyetit gibi çeşitli metalik mineraller artmaktadır. Özellikle manyetit olmak üzere farklı tipteki metalik minerallerin elektriksel özelliklerini tespit edebilen SIP yöntemi bu tip çevre kirliliğinin sınırlarını belirlemek için kullanılmaktadır. Bu yöntemi geliştirmek için laboratuvar deneylerine ihtiyaç duyulmaktadır. Ancak bu deneyler genellikle zaman alıcı ve maliyetli olabilmektedir. Verilerle oluşturulan örüntüleri ve ilişkileri öğrenen makine öğrenmesi algoritmaları, bazı işlemleri daha etkili bir şekilde gerçekleştirme, zaman kaybını önleme ve maliyetleri en aza indirme potansiyeline sahiptir. Bu tezde, laboratuvar ortamında toplanan metalik bir mineral olan manyetitin elektriksel tepkileri kullanılmıştır. SIP sonuçları farklı makine öğrenmesi algoritmalarıyla test edilmiş ve algoritmaların performansları hakkında değerlendirmeler yapılmıştır. Tezde kullanılan makine öğrenmesi algoritmalarının performansları gerçek verilerle karşılaştırılmış ve bu süreçte %95'in üzerinde başarı gösteren 13 algoritma belirlenmiştir. Rastgele Komite ve Rastgele Ağaç algoritmalarının en düşük hata oranlarına sahip olduğu ve hızlı çalışma süreleriyle en iyi performansı gösterdiği belirlenmiştir. Ayrıca diğer algoritmaların başarı oranının %95 ve üzeri olduğu da dikkate alınmalıdır. Bu tez, hidrokarbonlardan kaynaklanan çevre kirliliği analizlerinde kullanılan SIP yöntemi (laboratuvar koşullarında) için bir ölçek oluşturmak amacıyla makine öğrenmesi algoritmalarının nasıl kullanılabileceği konusunda önemli bilgiler sunmaktadır. Son olarak, laboratuvar çalışmalarının zaman ve maliyetini azaltma ve elde edilen verilerin insan kaynaklı hatalardan arındırılmasına yardımcı olma potansiyeline sahip olan makine öğrenmesi algoritmalarının, çevre kirliliği sınırlarının belirlenmesi ve izlenmesinde kullanılabilecek ölçeğin oluşturulmasında kullanılması önerilmektedir.