Daily SO2 Air Pollution Prediction with the use of Artificial Neural Network Models

Gültepe, Yasemin; Mine, Ayşe

doi:10.5120/ijca2018918271

Cited by 3 publications

(2 citation statements)

References 6 publications

(7 reference statements)

Supporting

Mentioning

Contrasting

Order By: Relevance

“…They used metrological data of air: T, p, H, WD, WS from the measuring station of Kastamonu province in the period 2015-2018 as input. Their model had an overall regression equal to R=0.86918 [26].…”

Section: Resultsmentioning

confidence: 99%

Application of artificial neural networks model to predict the levels of sulfur dioxides in the air of Zamość, Poland

Kujawska

Kulisz

Aubakirova

2022

J. Phys.: Conf. Ser.

View full text Add to dashboard Cite

Air quality control and its prediction are particularly important for human health and life. Sulfur dioxide constitutes one of the air pollutants that play an important role in air quality pollution. An artificial neural network model was employed to forecast the levels of sulfur dioxide in the air of Zamość (Poland). The measured data of the meteorological station of Zamość in 2017-2019 were used for the model. Temperature (T), relative humidity (RH), wind speed (WS), wind direction (WD), SO2, PM10, NO2, NOx, CO, O3, C6H6 were used as input parameters for building the neural network model. Regression value (R) and Mean Squared Error (MSE) were used to estimation the model. The results show that neural network is capable of predicting the sulfur dioxide levels in the air.

show abstract

Section: Resultsmentioning

confidence: 99%

Application of artificial neural networks model to predict the levels of sulfur dioxides in the air of Zamość, Poland

Kujawska

Kulisz

Aubakirova

2022

J. Phys.: Conf. Ser.

View full text Add to dashboard Cite

show abstract

“…In particular, regression analysis using MLPR does not require the assumption of a statistical relationship between independent and dependent variables. For this reason, MLPR is widely used as an algorithm for regression in various fields [27][28][29].…”

Section: Machine Learning Techniquesmentioning

confidence: 99%

Modeling and predicting meat yield and growth performance using morphological features of narrow-clawed crayfish with machine learning techniques

GÜLTEPE

Berber

Gültepe

2023

Preprint

Self Cite

View full text Add to dashboard Cite

In this study, predictions of length-weight relationships and meat productivity were generated by machine learning models using measurement data of male and female crayfish in the narrow-clawed crayfish population living in Apolyont Lake. The data set was created using the growth performance and morphometric characters obtained from 1416 crayfish in different years to determine the length-weight relationship and length-meat yield. Statistical methods, artificial intelligence, and machine learning are used due to the difficulty of constructing mathematical models in multi-parameter and multivariate problems. In recent studies, artificial intelligence and machine learning methods give higher accuracy than other prediction methods in large data sets with complex structures. No previous studies have been conducted on such population parameters. The analysis results show that most of the models designed as an alternative to traditional estimation methods in future planning studies in sustainable fisheries, aquaculture, and natural sources management are valid for machine learning and artificial intelligence. Seven different machine learning algorithms were applied to the data set and the length-weight relationships and length-meat yields were evaluated for both male and female individuals. Support Vector Regression (SVR) has achieved the best prediction performance with 0.996 and 0.992 values for the length-weight of males and females, with 0.996 and 0.995 values for the length-meat yield of males and females. The results showed that the SVR outperforms the others for all scenarios regarding the accuracy, sensitivity, and specificity metrics.

show abstract

Makine Öğrenmesi Algoritmaları ile Hava Kirliliği Tahmini Üzerine Karşılaştırmalı Bir Değerlendirme

Gültepe¹

2019

European Journal of Science and Technology

Self Cite

View full text Add to dashboard Cite

Öz Hava kirliliği, günümüzün en büyük sorunlarından birini teşkil etmektedir. Hava kirliliği, nüfusun artması, kentsel gelişme ve büyüme, endüstrinin gelişmesiyle giderek artan bir önem arz etmektedir. Genellikle hava kirleticilerinin insanlara, canlılara ve çevreye zararlı etkileri zaman, mekan, etki süresi, konsantrasyon ve diğer karakteristiklerine bağlı olarak karmaşık dağılım şekilleri göstermektedir. Bu karmaşıklık, kirletici örnekleri ve eğilimleri modelleme veya ölçmede, ayrıca insanların maruz kaldığı seviyeleri tahmin etmenin zor olduğu anlamına gelmektedir. Hava kirliliğini önleme çalışmaları arasında en önemli adımlardan biri hava kirlenmesi olayının bir model içerisinde değerlendirilmesidir. Bu çalışmada Kastamonu ili ele alınarak, meteoroloji ve çevre uygulamalarında oldukça yeni ve başarılı sonuçlar elde edilen çeşitli makine öğrenmesi algoritmaları ile hava kirliliğinin tahmininde, bazı meteorolojik değişkenler kullanılarak hava kirliliği tahmini yapacak modeller geliştirilmiştir. Minimum-Maksimum (Min-Max) normalizasyon tekniği, öğrenme yöntemleri ile birlikte kullanılmıştır. Tahmin modellerinde, Yapay Sinir Ağları (YSA), Rastgele Orman (Random Forest), K-En Yakın Komşu (K-Nearest Neighborhood), Lojistik Regresyon (Logistic Regression), Karar Ağacı (Decision Tree), Lineer Regresyon (Linear Regression) ve Basit Bayes (Naive Bayes) yöntemleri kullanılmıştır. Çalışmada elde edilen performans değerleri, literatürdeki benzer çalışmalarla kıyaslanarak problemin çözümüne ilişkin en uygun tahmin algoritması tespit edilmiştir. Veri setinin %70'i eğitim ve %30'si test verisi olarak ayrılmıştır. Çalışma sonucunda, YSA modeli için doğru tahmin oranı %87 ve diğer makine öğrenmesi modellerinden Rastgele Orman doğruluk oranı %99 ve Karar Ağacı doğruluk oranı %99 değerleri ile tahminlemede en başarılı sonuçları verdiği görülmüştür. Lineer Regresyon yöntemi %30'lık doğruluk oranı ile oldukça kötü performans sergilemektedir. KastamonuDataSet üzerinde kullanılan yöntemlerin performans değerlendirmelerinde Açıklayıcılık Katsayısı (R 2), Ortalama Karesel Hata (Mean Squared Error-MSE), Ortalama Hata Kare Kökü (Root Mean Square Error-RMSE) ve Ortalama Mutlak Hata (Mean Absolute Error-MAE) metrikleri bakımından istatistiksel önemli farklılıkların bulunduğu tespit edilmiştir.

show abstract

Daily SO2 Air Pollution Prediction with the use of Artificial Neural Network Models

Cited by 3 publications

References 6 publications

Application of artificial neural networks model to predict the levels of sulfur dioxides in the air of Zamość, Poland

Application of artificial neural networks model to predict the levels of sulfur dioxides in the air of Zamość, Poland

Modeling and predicting meat yield and growth performance using morphological features of narrow-clawed crayfish with machine learning techniques

Makine Öğrenmesi Algoritmaları ile Hava Kirliliği Tahmini Üzerine Karşılaştırmalı Bir Değerlendirme

Contact Info

Product

Resources

About