Partikül madde konsantrasyonu tahmininde derin öğrenme yaklaşımlarının karşılaştırmalı incelenmesi

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.