Hava kalitesi tahmininde veri görselleştirme ve derin öğrenme modellerinin karşılaştırılmalı analizi

Hava kirliliği, günümüzde en önemli çevresel sorunlardan biri olarak öne çıkmaktadır. Artan nüfus, hızlı kentleşme ve sanayileşme gibi faktörler, hava kirliliği seviyelerinin giderek yükselmesine yol açmaktadır. Ülkemizde, farklı bölgelerde havadaki kirletici maddeler düzenli olarak ölçülmekte ve bu ölçümlerden elde edilen veriler sürekli büyüyen bir veri kümesini oluşturmaktadır. Bununla birlikte, artan veri hacmi bazı zorlukları da beraberinde getirmektedir. Farklı kaynaklardan toplanan verilerin çeşitliliği ve büyüklüğü, analiz ve modelleme süreçlerini daha karmaşık hale getirmektedir. Ayrıca, atmosferdeki kirleticilerin hareketi ve çevresel değişkenlerin etkileri, hava kalitesinin doğru bir şekilde tahmin edilmesini daha da güçleştirmektedir. Bu çalışmada, Türkiye Çevre, Şehircilik ve İklim Değişikliği Bakanlığı Sürekli İzleme Merkezi tarafından sağlanan veriler kullanılarak havadaki farklı kirletici maddelerin üç farklı derin öğrenme yöntemleri olan Evrişimsel Sinir Ağı (CNN), Tekrarlayan Sinir Ağı (RNN) ve Uzun Kısa Süreli Bellek (LSTM) ile verinin karşılaştırılmalı olarak tahminlemesi, tahminlemede en iyi sonuç veren yöntem ile gelecek üç yılın tahmini, daha sonrasında ise bu elde edilen değerlerin görselleştirilmesi sağlanmıştır. Veri görselleştirmesi olarak Violin Plot, Box Plot ve Point Scatter grafikleri kullanılmıştır. Veri tahminlemesinin, gelecekteki belirsizlikleri azaltma açısından yararlı olacağı düşünülmektedir. Veri görselleştirmesi ise uzman olmayan kişilerin görüntülenen konsantrasyon profillerinden hava kalitesi bilgilerini tahmin etmesini ve anlamasını kolaylaştırmaktadır. Bu çalışmada kullanılan modeller arasında, CNN ile PM10 için 0.88, SO2 için 0.93, LSTM ile PM10 için 0.94, SO2 için 0.95 doğruluk oranlarına ulaşılmıştır. Bu tez çalışması, İstanbul ilinin Başakşehir ilçesine ait hava kirliliği verilerini kullanarak, hava kalitesi tahmini ve veri görselleştirme süreçlerinde derin öğrenme modellerinin karşılaştırmalı analizlerini içermektedir. Çalışmanın özgünlüğü hem görselleştirme hem de derin öğrenme yöntemlerinin birlikte ele alınmasıdır.