Nüfus artışıyla birlikte kentleşme, sanayileşme ve taşıt sayısındaki artışlar hava kirliliğinin artmasına sebep olmaktadır. Hava kirliliği insan ve çevre sağlığına zarar vermektedir. Bu nedenle bu çalışmada hava kirliliğinin önlenmesi, tedbirlerin alınması ve planlamaların yapılabilmesi için 1 yıl önceden hava kirliliğinin tahmin edilmesi amaçlanmıştır. Hava kirliliği parametrelerinden olan PM10 ve SO2 parametrelerinin mevsimsel ortalamalarının tahmin edilmesi için çoklu doğrusal regresyon analizi ve yapay sinir ağı yöntemleri kullanılmıştır. Kocaeli, Türkiye’nin sayılı sanayi bölgelerinden olması dolayısı ile çalışma alanı olarak seçilmiştir. Tahmin modellerinde meteorolojik veriler, kirletici konsantrasyonları, kentleşme, sanayileşme, topografik ve demografik veriler kullanılmıştır. Çalışmada enterpolasyon yöntemleri ile verilerin sürekliliğinin sağlanmasında, veri setlerinin oluşturulmasında ve haritaların yapılmasında coğrafi bilgi sistemleri kullanılmıştır. Çalışmada 2008 ile 2017 yılları arasındaki veriler ile tahmin modelleri oluşturulmuştur. Oluşturulan modellere 2018 verileri sunularak 2019 yılına ait tahmin değerleri elde edilmiştir. Elde edilen tahmin değerleri 2019 yılına ait gerçek değerler ile karşılaştırılmıştır. Model performansları ortalama mutlak yüzde hata (OMYH) değerine göre değerlendirilmiştir. Çalışma sonucunda yapay sinir ağının çoklu regresyon analizine göre performansının daha yüksek olduğu tespit edilmiştir. Ayrıca, mekânsal verilerin hava kirliliği tahmin modellerinde coğrafi bilgi sistemleri ile kullanılabilirliği gösterilmiştir.
Increases in air pollution are caused by population growth, urbanization, industrialization, and a rise in the number of cars. Human and environmental health are harmed by air pollution. According to this scope, the goal is to forecast air pollution one year ahead of time in order to prevent pollution, take safeguards, and plan ahead. The seasonal averages of PM10 and SO2 values, which are air pollution metrics, were calculated using multiple linear regression analysis and artificial neural network methods. Because Kocaeli is one of Turkey's few industrial regions, it was chosen as the study area. In the forecast models, meteorological data, pollution concentrations, urbanization, industrialization, topography, and demographic data were all employed. Geographic information systems were employed in the study to assure data continuity using interpolation methods, construct data sets, and create maps. Prediction models were built using data from 2008 to 2017 in the study. The forecast values for 2019 were produced by feeding the 2018 data to the constructed models. The anticipated values were compared to the actual values for the year 2019. The mean absolute percent error (MAPE) was used to assess model performance. As a result of the research, it was discovered that the artificial neural network outperformed the multiple regression analysis. Furthermore, the use of spatial data in air pollution forecasting models using geographic information systems has been established.
