Hava kirliliğinin yapay sinir ağları yöntemiyle modellenmesi ve tahmini

Abstract

Ülkemizde hava kirliliği özellikle büyük şehirler için kış aylarında önemli bir problem olarak kendisini göstermektedir. Kirleticilerin atmosfere bırakılma miktarı yanında olumsuz oluşan atmosferik şartlar (stabil veya kararlı durumlar) büyük şehirlerde hava kirliliği olayları oluşmasına sebep olmaktadır. İstanbul örneğinde olduğu gibi geçmişte bu tür hava kirliliği olayları sıkça görülmüştür. Bu noktadan yaklaşıldığında hava kirliliği modellemesi ve önceden tahmininin bu tür olumsuzlukların oluşmadan önlenmesinde veya tedbir alınmasında büyük yararlar sağlayacağı aşikardır. Bu çalışmada İstanbul örneği ele alınarak, atmosfer uygulamalarında oldukça yeni ve başarılı sonuçlar veren Yapay Sinir Ağlan (YSA) modelleri kullanılarak hava kirliliğinin çeşitli meteorolojik parametreler bazında modellenmesi ve 1 gün sonraki hava kirliliğinin tahmini yapılmıştır. Kullanılan meteorolojik parametreler İstanbul Göztepe Sinoptik Meteoroloji İstasyonunda her gün düzenli olarak ölçülen kuru termometre sıcaklığı, basınç (deniz seviyesi), nispi nem, bulutluluk, toplam yağış, hakim rüzgar yönü ve hızı, güneşlenme süresi ve şiddeti gibi klimatolojik ölçümlerin yanında, enversiyon yüksekliği ve şiddeti (00.00 GMT ve 12.00 GMT olmak üzere günlük 2 ölçüm) gibi radyosonde ölçümleridir. Bu bağımsız parametrelerle, yine İstanbul Hıfzısıhha Enstitüsünün Göztepe Meteoroloji İstasyonunda kurulu bulunan ölçüm noktasında ölçülen günlük ortalama kükürtdioksit parametresi modellenen ve tahmin edilen hava kirliliği parametresi olarak kullanılmıştır. 1992-1998 periyodunu kapsayan altı yıllık veri tabanı incelendiğinde modelleme için ancak 1994 yılı verileri uygun veri seti olarak ortaya çıkmıştır. Bu miktar verinin literatürde rastlanan bu konudaki çalışmalarda kullanılan ortalama veri tabanından daha büyük olduğu görülmüştür. Bu veri seti orijinal haliyle zaman sıralamak ve SO2 bazında değer sıralama olarak iki yöntem ile sıralanarak öğrenme ve test setleri oluşturuldu. Bu setler kullanılarak gizli katman nöron sayısı bazında değişik YSA modelleri oluşturuldu ve eğitme işlemleri uygulandı. Oluşturulan modellerin gizli katman nöron sayılan 25 ile 50 arasında değiştirilerek her bir model eğitme işlemine tabi tutuldu. Eğitme işleminde performansı arttırmak için aynca az tekerrür eden verilerin çoğaltılması yöntemi (sınıf eşitlemesi) uygulandı. Bu yöntem model performansım arttmcı yönde etki göstermiştir. Modellerin eğitilmesi işlemi en iyi model noktası ve global minimum noktası olmak üzere iki noktada incelendi. Veri seti bazında model performansları incelendiğinde, değer sıralamak veri setinin global minimum noktasında ve zaman sıralamak veri setinin de en iyi model noktasında daha iyi sonuçlar verdiği görülmüştür. Kullanılan veri seti (1994 yılının ilgili meteoroloji ve kirlilik verileri) dikkate alındığında girdi parametreleri sayısının iki katından az gizli katman nöronlu YSA modellerinin veri setini yeterince genelleyemediği ve 3 katmdan fazla gizli katman nöronlu modellerin ise veri setini ezberleme yoluna gidip yine genelleme kabiliyetini kaybettiği gözlenmiştir. Test seti sonuçlan incelendiğinde SCVnin kış aylanndaki yüksek değerlerden ilkbahar ve yaz aylarına doğru düşüş eğilimi ve yine kış aylarına doğru yükseliş eğilimi YSA modeli ile oldukça iyi temsil edilebilmektedir. Verilerin miktarının yanında kullanılan girdi ve çıktı parametrelerinin kendi oluşum aralıklarındaki değer çeşitlilikleri de ne kadar fazla ise modelin bu çeşitlilikleri öğrenebilme kabiliyeti de o derece iyi olmaktadır. Yapay Sinir Ağlan ile yapılan modelleme ve tahmin çalışmaları, veri tabanının (daha doğrusu bu veri tabanının kaynağı olan atmosfer ortamının) nonlineer ve kompleks yapısı göz önüne alındığında oldukça başarılı sonuçlar ortaya koymuştur.