BULANIK MANTIK YAKLAŞIMI (ANFIS) KULLANARAK OTO YOLDAN KAYNAKLANAN OZON KONSANTRASYONUNUN MODELLENMESİ

Transkript

1 Hava Kirliliği ve Kontrolü Ulusal Sempozyumu 2008, Ekim 2008, HATAY BULANIK MANTIK YAKLAŞIMI (ANFIS) KULLANARAK OTO YOLDAN KAYNAKLANAN OZON KONSANTRASYONUNUN MODELLENMESİ Yılmaz YILDIRIM 1(*) ve Ranjeet SOKHI 2 1 Z.K.Ü., Mühendislik Fakültesi, Çevre Mühendisliği Bölümü, Zonguldak 2 University of Hertfordshire, Department of Environmental Sciences, Hertfordshire-UK ÖZET Hava kirliliği birçok ülkede önemli bir problem olarak devam etmektedir. Troposferik ozon tüm dünyada kalıcı bir problem haline gelmiştir. Yapay zekâ temelli teknikler birçok çalışma alanında geleneksel istatistiksel tekniklere göre alternatif olarak önerilmektedir. Bu çalışmada otoyoldan kaynaklanan ozon konsantrasyon seviyesini tahmin etmek için adaptif yapay sinir ağlı bulanık mantık çıkarım sistemi-anfis kullanılmıştır. Çalışma yaz zamanı ve kış zamanı olarak iki değişik zaman periyodunda ayrı ayrı modellenmiştir ve model performansı RMSE, uyum indeksi (IA) ve R 2 kullanılarak değerlendirilmiştir. Tahmin edilecek yaz ve kış dönemleri hariç, yılın tüm değerleri kullanılarak 181 verili kış dönemi tahmin edildiğinde RMSE= 3,484; IA=0,89 ve R 2 =0,82 göstergeleri ile iyi bir tahmin sonuca ulaşılmıştır. Diğer taraftan, RMSE= 4,17; IA=0,93 ve R 2 =0,80 model performans değerleri ile yaz dönemi verileri kış dönemi verilerine göre daha kötü sonuçlar vermiştir. ABSTRACT Air pollution is continuous to be a major problem in many countries. Tropospheric ozone has become a persistent problem in the world. Artificial intelligence based techniques have been proposed as alternatives to traditional statistical ones in many scientific disciplines. In this study, adaptive neuro- fuzzy logic method was used to estimate road side ozone concentration levels. In the analysis, summertime and wintertime data were modeled separately and root mean square error (RMSE), index of agreement (IA) and R 2 were used to evaluate model performance. Except summer and winter periods for prediction, using whole year data to predict winter period with 181 data was good in forecasting, showing RMSE= 3.484, IA=0.89 and R 2 =0.82. On the other hand prediction of summer period was not as good as wintertime forecasting, showing RMSE= 4.17, IA=0.93 and R 2 =0.80. ANAHTAR SÖZCÜKLER Modelleme, Bulanık Mantık, Ozon, Karayolu GİRİŞ Hava kirliliği olayı, çeşitli kaynaklardan hava kirleticilerinin serbest bırakılmasıyla beraber yeryüzünün topoğrafik özellikleri, meteorolojik faktörlerin birleşik etkileri altında dünya atmosferinin sınır tabakası içinde meydana gelmektedir. Rüzgar hızı, rüzgar yönü, nem oranı, * yildirim@karaelmas.edu.tr 893

2 sıcaklık, basınç ve yeryüzünün engebeli olma durumu, kirleticilerin bölgesel dispersiyonunda önemli etkenlerdir. Klasik hava kalite modelleri genel olarak iki türde sınıflandırılırlar: 1. Hava kirliliği verilerinin istatistiksel analizi üzerine kurulu olan kara kutu modelleri, 2. Atmosferik taşınma kimyasal proseslerin belirlenmesi temeli üzerine kurulu teorik modeller. Kompleks topografyaya sahip araziler için teorik modeller çoğu durumda tatminkâr olmayan sonuçlar verir. ARMAX, ARX, OE gibi istatistiksel tahmin teknikleri özellikle lineer model durumunda başarılıdırlar. Son yıllarda bazı yapay zekâ teknikleri çoğu bilim otoritelerince geleneksel istatistik metotlara alternatif olarak önerilmektedir. Son yıllarda karmaşık sistemleri modellemedeki yatkınlığı nedeniyle Stokastik modeller gündeme gelmiştir ve geniş bir araştırmacı kitlesi tarafından kullanılmaktadır. Modellenen sistemler arasında hava kirliliği geniş bir yer tutmaktadır. Hava kirliliği alanındaki stokastik model olarak ilk öncü çalışma Boznar ve arkadaşları (1993) tarafından SO 2 modellemesi üzerine yapılmıştır. Daha sonraki çalışmalarda yapay sinir ağları kullanılarak SO 2 (Perez, 2001; Asha vd., 2003; Yıldırım vd., 2006); NO, NO 2 ve NOx (Perez vd.; 2001; Gardner vd.,1999); TSP (Yıldırım vd., 2003); PM 2.5 (Perez vd., 2000; Perez vd., 2001; Ordieres vd., 2005) ve Ozon (Ryan 1995; Wang vd., 2003; Sousa, vd., 2007; Ruiz-Salazar vd., 2008) konsantrasyonlarının tahmini konusunda modellemeler gerçekleştirilmiştir. Son 10 yıl içerisinde ise ülkemizde de YSA ile hava kirliliği modellemesi konusunda araştırmalar gittikçe artmaktadır (Tatlı vd., 1997; Sofuoğlu vd., 2003, Yüksel, 2003; Yıldırım vd., 2004). Sebep-sonuç (girdi-çıktı) ilişkilerinin modellenmesinde kullanılan diğer bir teknik Bulanık Mantık Modelleme dir. Bulanık mantık kuralları şeklinde dilsel olarak ortaya konan sebepsonuç ilişkileri, bulanık kümeler teorisi çerçevesinde değerlendirilmektedir. Bulanık mantık ile hava kirliliğinin modellenmesi konusunda dünyada ve Türkiye de yapılan çalışmalar çok az sayıdadır ve yapılan çalışmaların birçoğu çok yeni olup içerik olarak daha çok fuzzy modellemenin temelini anlatmaktadır (Şen, 2001). Hava kalitesinin modellenmesi konudaki ilk uygulama Jorquera ve arkadaşalrı (1998) tarafından yapılmış olup, çalışmanın sonucuna göre fuzzy modellemenin YSA modellemesinden daha güvenilir bir tahmin yaptığı ortaya koyulmuştur. Yıldırım ve arkadaşları (2003; 2006) tarafından yapılan çalışmada ise Fuzzy modelleme tekniği ile SO 2 ve TSP tahmini gerçekleştirilmiştir. Bu çalışmanın kapsamında adaptif yapay sinir ağlı bulanık mantık çıkarım sistemi (adaptive neuro-fuzzy inference system, ANFIS) kullanarak ozon modellemesi ve tahmini gerçekleştirilmiştir. Bu amaçla rüzgâr yönü, rüzgâr hızı, nispi nem, yağış, güneş radyasyonu ve sıcaklık gibi meteorolojik veriler ile NO 2 ve NO hava kalite verileri ve otoyolda ölçüm noktasından geçen toplam araç sayıları bağımsız parametreler kullanılarak atmosferdeki O 3 kirliliği tahmin edilmiştir. BULANIK MANTIK İLE MODELLEME Bulanık Mantık Kuralları Bir Bulanık Mantık kuralı, en basit şekli ile ve bilgisayar programlama dillerinde yerleşmiş standart yazılım kullanılırsa (Jang vd., 1997) IF x is A THEN y is B (Şayet x A ise, o halde y B dir). 894

3 Burada; x is A kısmına şart, öncül (premise, antecedent), y is B kısmına sonuç (consequence) denir. x; girdi değişkeni; A ise bulanık kümenin dilsel değeri (etiketi) dir. Aynı şekilde, y; çıktı değişkeni, B ise, ait olduğu bulanık kümenin dilsel tanımlayıcısıdır. Bir bulanık mantık kuralında 1 den fazla koşul bulunabilir. Bu koşullar birbirleriyle AND, OR, NOT gibi operatörler ile bağlanırlar. Örneğin; Şayet sıcaklık düşükse ve yağış az ise kirletici konsantrasyonu yüksektir. Bulanık Sonuç Çıkarma ve Bulanık Modelleme Fuzzy sonuç çıkarma (fuzzy inference); bir girdi vektöründeki değerleri yorumlar ve bir takım bulanık mantık kuralları vasıtasıyla çıktılara değer verir. Fuzzy sonuç çıkarma sistemi üç kavramsal bileşenden oluşan bir yapıya sahiptir. Kural tabanı: Sistemi modellemede kullanılan kurallar topluluğu. Veri tabanı: İncelenen sistemde, değişkenleri tanımlamada kullanılan bulanık kümelerin üyelik fonksiyonları (tipleri, parametreleri) bir veri tabanı oluşturur. Düşünme mekanizması: Sonuç çıkarma işlemini yerine getirir. Bulanık mantıklı düşünme mekanizması sonuç çıkarma işlemini 5 adımda gerçekleştirir: 1. Üyelik fonksiyonu vasıtasıyla girdi değişkenlerinin bulanıklaştırılması (fuzzification), 2. Kuralların öncül kısımlarına bulanık işlemlerin uygulanması, 3. Her bir kuralın öncül kısmından kural sonucunun, çıktının üyelik fonksiyon değeri olarak (bulanık değer halinde) elde edilmesi (implication), 4. Kural çıktılarının nihai bir bulanık kümede birleştirilmesi (aggregation), 5. Nihai bulanık kümeden, berraklaştırma yoluyla, tek bir rakamsal (crisp) çıktının elde edilmesi (saflaştırma-defuzzification). Sonuç çıkarma işlemlerinin tipine bağlı çoğu bulanık uzman sistemleri 3 tipte sınıflandırılır: Mamdani sistemi, Sugeno sistemi ve Tsukamoto sistemi. Mamdani sistemi proses kontrol amaçları bakımından daha popülerdir. Sugeno sistemi ise, hesaplama açısından daha kolaydır, yukarıda bahsedilen berraklaştırma işlemine gerek yoktur, zira, doğrudan crisp çıktı üretir. Bu açıdan, Sugeno sistemi, verilerin bulanık modellenmesinde oldukça yaygın bir şekilde kullanılmaktadır. Sugeno sisteminde bir bulanık kural, 2 adet girdi değişkenli bir sistem için: IF x 1 is A 1 AND x 2 is A 2 THEN y= f(x 1,x 2 ) şekilde tanımlanır (Sugeno vd., 1988): f fonksiyonel bağıntısı için bir kısıtlama olmamasına rağmen, en çok kullanılan 1. mertebe lineer fonksiyondur. Örneğin, herhangi bir i. kural için fi=p i,0 + p i,1,x 1 + p i,2,x 2 olarak yazılır. G girdi değişken sayısı ise, model parametre sayısı G+1 olur. Bulanık mantık modelleme iki temel aşamada gerçekleşir: 895

4 1. Yapının belirlenmesi Uygun girdi değişkenlerinin seçilmesi, Bulanık mantık sisteminin seçilmesi, Bulanık kural sayısının belirlenmesi, Üyelik fonksiyon sayılarının belirlenmesi. 2. Model Parametrelerin optimum değerlerinin tahmini Adaptif Yapay Sinir Ağlı Bulanık Mantık Çıkarım Sistemi (ANFIS) ANFIS, 5 tabakalı ileri beslemeli bir yapay sinir ağı yapısına sahiptir. Bu tabakaların görevleri şu şekilde özetlenebilir (Klir vd., 1995; Jang vd., 1997): 1.Tabaka: Girdi değişkenlerinin her biri adaptif bir bağlantı ucu (node) oluşturur, yani, nod sayısı girdi değişkeni sayısına eşittir. Bu değişkenlerin üyelik fonksiyonları node fonksiyonu olarak kullanılır. Bu üyelik fonksiyonlarının parametreleri öncül parametreler olarak adlandırılır. 2. Tabaka: Nodlar sabit karakterdedir. Nod sayısı kural sayısına eşittir. Nod girdileri, kuralların öncül kısmındaki değişkenlerin üyelik fonksiyon değerleri, nod çıktıları ise, kuralların ağırlık dereceleri (firing strength) dir. 3. Tabaka: Nod girdileri, kuralların ağırlık dereceleri, çıktıları ise, normalize edilmiş ağırlık dereceleridir. Yani bu tabakanın görevi, kuralların ağırlıklarını normalize etmektir. 4. Tabaka: Bu tabakadaki nodlar adaptifdir. Nod fonksiyonu, Sugeno Sistemi nde, herhangi bir mertebeden (çoğunlukla 1. mertebe) bir fonksiyondur. Model parametreleri, berraklaştırma veya sonuç parametreleri olarak adlandırılır. 5.Tabaka: Tek noddan ibaret olan bu tabakanın çıktısı, crisp karakterde model çıktısıdır. Bu yapının parametreleri; öncül ve sonuç parametreleridir. Eğitim veri seti, bu yapay sinir ağına tanıtılır ve herhangi bir eğitme algoritması vasıtasıyla, eğitim veri setinde girdi-çıktı fonksiyonel ilişkisini en iyi şekilde öğrenir. Aslında bu işlem bir optimizasyon işleminden başka bir şey değildir. Model çıktısı ile eğitim veri seti çıktısı (ölçüm, deneysel sonuç vs.) arasındaki farkın kareler toplamı şeklinde ifade edilen hata fonksiyonunun minimum olduğu şartların bulunması, yani, parametrelerin optimum değerlerinin tespiti hedeflenir (Klir ve Yuan, 1995). Tabii ki, bu bir öğretmenli eğitmedir. Yapay sinir ağlarının eğitiminde kullanılan klasik algoritma Backpropogation algoritmasıdır. Bununla birlikte, Sugeno sistemine dayanan ANFIS in özel yapısı, klasik geriye yayılım metodundan daha hızlı ve etkin karma (hybrid) algoritmaların geliştirilmesine fırsat vermiştir. Bu metot, en küçük kareler metodu ile backpropogation algoritmasının bir karmasıdır. MATERYAL VE METOD Hava kalitesi ölçüm istasyonu, Londra dışında Staines diye bilinen bölgedeki M25 diye adlandırılan ve çevre otoyol üzerindeki 13. ve 14. kavşaklar arasında kurulmuştur. Bu bölge Londra nın batısında yer almaktadır ve ölçüm istasyonu sonuçları halkın kullanımına açıktır. Bu bölgedeki, trafik akışı diğer bölgelere göre daha fazladır ve bu noktadan geçen günlük araç 896

5 sayısı dir. Bu noktadan geçmekte olan araç sayısı saatte ile arasında değişmektedir. Modellemede kullanılan veriler rüzgâr yönü, rüzgâr hızı, nispi nem, yağış, güneş radyasyonu ve sıcaklık gibi meteorolojik veriler ile Ozon, NO 2 ve NO hava kalite verileri ve otoyolda ölçüm noktasından geçen toplam araç sayısından oluşmaktadır ve 1997 yılına aittir. Modellemede kullanılan tüm veriler saatlik olarak düzenlenmiş verilerden oluşmaktadır. Hava kalitesi ve bazı meteorolojik veriler saatlik olarak Staines de otomatik ölçüm yapan hava kalite istasyonundan elde edilirken (Transport Research Laboratory, UK), saatte trafikte seyreden araç sayısı ise Otoyol Acentesinden elde edilmiştir. Yağışla ilgili saatlik veriler ise Londra Meteoroloji İstasyonundan elde edilmiştir. SONUÇLAR VE DEĞERLENDİRİLMESİ Girdi (input) Verilerinin Seçimi Bulanık mantık modellemenin yapısından dolayı istenilen bütün bağımsız parametreler girdi parametresi olarak seçilebilir. Ancak fazla girdi sistem yapısında fazla karmaşıklığa neden olduğundan, optimum parametreleri belirlemek amacıyla bazı araştırmacılar tarafından da kullanılan çapraz korelasyon katsayısı formülü kullanılmıştır (Perez, 2001): x( t) y j ( t) x y j C x, j = (1) ( x x )( y y ) j j Bu formülde < > tüm serinin ortalamasını, x(t) O 3 serisini ve y(t) meteorolojik değişkenlerin serisini göstermektedir. Model Oluşturma, Eğitme ve Test Model oluşturma, eğitme, kontrol ve test etme işlemleri MATLAB Fuzzy Toolbox grafik kullanıcısı kullanılarak gerçekleştirilmiştir. Modellemede, basitliği nedeniyle Sugeno tipi 1.mertebe model kullanılmıştır. Üyelik fonksiyonları olarak, hava kirliliğinin istatistiksel yanı dikkate alınarak, çan eğrisi tip (Gauss tipi) fonksiyon tercih edilmiştir. Veri kümelendirmede, oldukça başarılı bir teknik olan Substructive clustering tekniği kullanılmıştır. En uygun küme merkezlerini ve sayısını bulmak için, Etki aralığı (Range of influence), Sıkıştırma faktörü (Squash factor), Kabul etme oranı (Accept ratio) ve reddetme oranı (reject ratio) olmak üzere 4 parametre mevcuttur. Elde edilen küme merkezleri, bulanık kuraların oluşturulmasında kullanılırlar. Bu metodun 4 parametresi belirli aralıklarda değişik kombinasyonlarda değiştirilerek, model yapısı belirlenmiştir. Bu şekilde elde edilen modelde, her bir değişkene ait küme sayısı (dolayısıyla üyelik fonksiyon sayısı) birbirine ve aynı zamanda kural sayısına eşittir. Eğitme işlemi, Hybrid algoritma ile gerçekleştirilmiştir. Yapılan ön denemelerde eğitim turu 10 dan başlatılarak 100 e kadar gerçekleştirilmiştir fakat aşırı öğrenme (over-learning) olmaması için 20 adet eğitim turu (epoch) yeterli görülmüştür. Modellemede girdi olarak rüzgâr yönü, rüzgâr hızı, nispi nem, yağış, güneş radyasyonu ve sıcaklık gibi meteorolojik veriler ile NO 2 ve NO hava kalite verileri ve otoyolda ölçüm noktasından geçen toplam araç sayıları kullanılmıştır. 897

6 Yaz periyodu (N=2670), kış periyodu (N=2744) ve tüm yıl (N=6534) gibi üç değişik veri seti eğitim amaçlı olarak kullanılmıştır. Buna karşın Temmuz ve Ağustos aylarından oluşan yaz dönemi için toplam 181 veri ve Kasım, Ocak ve Şubat aylarından oluşan kış dönemi için ise toplam 181 veri test amacı ile kullanılmıştır. Öncü denemeler sonucunda tüm yılın veri seti eğitim amaçlı olarak kullanılmaya karar verilmiştir. Eğitim amaçlı olarak kullanılan tüm yılın verisi içerisine test amaçlı olarak kullanılan veriler dâhil edilmemiştir. Modelde toplam 10 veri bağımsız parametre olarak kullanılmıştır ve kullanılan modelin ANFIS yapısı Şekil 1 de verilmektedir. Şekil 1. Modelleme çalışmalarında eğitim ve test amaçlı kullanılan ANFIS yapısı Model çıktılarının performanslarını belirleyebilmek için ortalama kare hatanın karekökü ve uyum indeksi gibi iki istatistiksel değerlendirme operatörü kullanılmıştır. RMSE = 1 N N i= 1 ( o i p i ) 2 N 2 ( oi pi ) i= 1 IA = 1 N (2) i= 1 [ ] 2 ' ' o + p i i bu denklemlerde o i ve p i ölçülen ve tahmin edilen değerleri, N veri sayısını temsil etmektedir. Denklemde yer alan diğer terimler ise o i =o i -o m ve p i = p i -o m değerlerine eşittir ve buradaki O m ise ortalamayı temsil etmektedir. Konunun detayları bir başka kaynakta ayrıntıları ile verilmiştir (Jorquera vd., 1998). Modelleme amacıyla saatlik zaman periyodunda 10 parametre için bir yıllık ölçümü içeren toplam 6534 veri kullanılmıştır. Bu verilerin 6172 tanesi eğitim amaçlı, 181 tanesi kış sezonu ve 181 tanesi de yaz sezonu için seçilerek test amaçlı kullanılmıştır. Elde edilen sonuçların modellemedeki performansı korelasyon katsayısı, RMSE ve uyum indeksi (IA) istatistiksel değerlendirmeler kullanılarak belirlenmiştir. Yaz sezonu ölçümlerinin modelleme performansı, R 2 =0,80; RMSE=4,17 ve IA=0,93 bulunmuştur. Kış sezonu ölçümlerini modelleme performansı ise R 2 =0,82; RMSE=3,48 ve IA=0,89 olarak bulunmuştur. 898

7 Test yapılan kış dönemi ozon ölçüm değerlerinin ortalaması 5,85 ve modelleme ortalaması ise 7,97 μg m -3 olarak bulunmuştur. Bu değerler yaz döneminde ise ölçülen veriler için 9,95 ve modelle elde edilen değerler için ise 12,85 μg m -3 olarak tespit edilmiştir. Model ile elde edilen değerlerin ortalaması her iki dönem için ölçülen değerlerin ortalamasından daha yüksektir. Elde edilen sonuçlar Tablo 1 de verilmektedir. Tablo 1. Model performansının istatistiksel değerlendirilmesi Eğitim Periyodu N = 6534 Test Periyodu N = 181 Ölçüm Ortalaması Model Ortalaması RMSE (μg m -3 ) IA (0-1) R 2 Epoch = 20 Kış sezonu 9,93 12,85 3,48 0,89 0,82 RMSE = 4.21 Yaz sezonu 5,85 7,97 4,17 0,93 0,80 Modelleme performansının bir göstergesi olarak model ozon değerleri ile ölçüm ozon değerleri arasında ilişki grafikleri oluşturulmuştur. Yaz sezonu test verileri için elde edilen grafik Şekil 2 de, kış sezonu için elde edilen grafik ise Şekil 3 de verilmektedir. Bu şekiller incelendiğinde yaz sezonu tahmin değerleri kış sezonu tahmin değerlerinden daha kötü sonuçlar vermiştir ve istatistiksel olarak R değeri daha düşük çıkmıştır. Bu olay atmosferde çeşitli reaksiyonlar sonucu ikincil kirletici olarak meydana gelen ozon gazının yaz sezonunda daha kompleks olaylara maruz kaldığının bir göstergesidir. Daha yüksek bir model performansın elde edilebilmesi için bir önceki zaman periyodunda ölçülen ozon konsantrasyon değerlerinin modellemede dikkate alınması gerekmektedir. TARTIŞMA VE ÖNERİLER Sonuçlara göre kış sezonu test verileri için elde edilen model performansı yaz sezonu test verileri için elde edilen model performansından daha iyi bulunmuştur. Ayrıca iyi bir performans için sadece meteorolojik parametrelerin yeterli olmadığı hava kalitesi parametrelerinin özellikle ozon ile NOx arasındaki ilişkiden dolayı (Sillman, 1999) NO 2 ve NO in ve araç sayılarının da bu çalışmada kullanılan model için gerekli olduğu tespit edilmiştir. Bu çalışmanın sonucuna göre model ile elde edilen değerlerin ortalaması hem kış hem de yaz dönemleri için ölçülen değerlerin ortalamasından daha yüksektir. Bu sonuç, model tahminlerinin daha büyük olduğunu göstermektedir. Elde edilen model performans değerleri incelendiğinde yaz sezonu için tahmin edilen değerler kış sezonu için tahmin edilen değerlerden daha düşüktür. Bu olay atmosferde çeşitli reaksiyonlar sonucu ikincil kirletici olarak meydana gelen ozon gazının yaz sezonunda daha kompleks olaylara maruz kaldığının bir göstergesidir ve model girdi değerlerinin seçimlerinde bu olayların göz önüne alınması gerekmektedir. Hava kirliliği sürekli bir proses olduğundan kirleticilerin atmosferde yok olması zamanla mümkün olmaktadır. Bir başka deyişle, bir periyot önceki kirleticiler bir sonraki periyotta hava kalitesini etkilemektedir. Bu sebeple daha az bir girdi ile daha iyi bir model tahmini yapmak için bir önceki zaman periyodunun ozon değerlerinin modellemede girdi olarak kullanılması da gerekmektedir. 899

8 Çevre ve Orman Bakanlığı bünyesinde bulunan ve klasik hava kirleticileri (SO 2 ve PM) ölçümlerinin yanı sıra, dünyanın birçok şehir merkezlerinde ölçülen troposferik ozon gazının mutlaka ölçülmesi gerekmektedir. Ayrıca hava kalitesi ölçümü yapılan istasyonlarda meteorolojik parametrelerin de aynı istasyonda ölçülmesi modelleme ve model performansı açısından önemlidir. Şekil 2. Ölçüm ve model değerlerinin yaz sezonu için karşılaştırılması (N=181). Şekil 3. Ölçüm ve model değerlerinin kış sezonu için karşılaştırılması (N=181). 900

9 KAYNAKLAR Asha, B., Chelani, C.V. Chalapati Rao, Phadke, K.M., Hasan, M.Z. Prediction of sulphur dioxide concentration using artificial neural networks, Environmental Modelling & Software 17, , Boznar, M., Lesjack, M. Ve Mlakar, P. A neural network based method for short-term predictions of ambient SO 2 Ccncentrations in highly polluted industrial areas of complex terrain, Atmospheric Environment, 270(2), , Gardner, M.W. ve Dorling, S.R. Neural network modeling and prediction of hourly NO x and NO 2 concentration in urban air in London, Atmospheric Environment, 33, , Jang, J.S.R, Sun, C.T ve Mizutani, E. Neuro-fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence, Prentice Hall, N.J,1997. Jorquera, H., Perez, R., Cipriano, A., Espejo, A., Letelier, M.V ve Acuna, G. Forecasting ozone daily maximum levels at Santiago, Chile, Atmospheric Environment, 32, , Klir, G.J., ve Yuan, B., Fuzzy Theory And Applications, Prentice Hall PTR, New Jersey, Ordieres, J.B., Vergara, E.P., Capuz, R.S.ve Salazar, R.E. Neural network prediction model for fine particulate matter (PM 2.5) on the USeMexico border in El Paso (Texas) and Ciudad Jua rez (Chihuahua), Environmental Modelling and Software, 20 (5), , Perez, P ve Ryes, J. Prediction of particulate air pollution using neural techniques, Neural Computing and Applications, 10, , Perez, P. ve Trier, A. Prediction of PM 2.5 concentra-tions several hours in advance using neural networks in San-tiago, Chile, Atmospheric Environment, 34, , Perez, P. ve Tirier, A. Prediction of NO and NO 2 concentration near a street with a heavy traffic in Santiago, Chile, Atmospheric Environment, 35, , Perez, P. Prediction of sulfur dioxide concentration at a site near Downtown Santiago, Chile, Atmospheric Environment, 35, , Ruiz-Salazar, E., Ordieres, J.B., Vergana, E.P. ve Capuz-Rizo, S.F. Development and comparative analysis of tropospheric ozone prediction models using linear and artificial intelligence-based models in Mexicali, Baja California (Mexico) and Calexico, California (US), Environmental Modelling & Software, 23, , Ryan, W.F. Forecasting severe ozone episodes in the Baltimore Metropolitan Area, Atmospheric Environment, 29, , Sillman, S. The relation between ozone,nox and hydrocarbons in urban and polluted rural environments, Atmospheric Environment 33 (12), ,

10 Sofuoğlu, S.C., Tayfur, G., Sofuoğlu, A ve Birgilli, S. İzmir havasındaki toz derişimlerinin yapay sinir ağları modeli ile tahmini, Yanma ve Hava Kirliliği Kontrolü IV: Ulusal Sempozyumu, Eylül, İzmir, , Sousa, S.I.V., Martins, F.G., Alvim-Ferraz, M.C.M. ve Pereira, M.C. Multiple linear regression and artificial neural networks based on principal components to predict ozone concentrations. Environmental Modelling and Software 22 (1), , Sugeno, M. ve Kang, G.T. Structure identification of Fuzzy Model, Fuzzy Sets and Systems, 28, 15-33, Şen, Z. Bulanık (fuzzy) Mantık ve Modelleme İlkeleri, Bilge Kültür Sanat, İstanbul, Tatlı, H. ve Şen, Z. Air pollution control by Fuzzy rule based modeling, Proceedins of the 10th IUAPPA Conference, İstanbul, Turkey, September 23-26, , Wang vd. Prediction of maximum daily ozone level using combined neural network and statistical characteristics, Environment International, 1049, 1-8, Yıldırım, Y. ve Bayramoğlu, M. Adaptive neuro-fuzzy based modelling for prediction of air pollution daily levels in city of Zonguldak, Chemosphere, Vol.63, , Yıldırım, Y., Bayramoğlu, M. ve Hasıloğlu, S. Prediciton of sulfur dioxide daily levels in the city of zonguldak using an adaptive neuro-fuzzy based method, Fresenius Environmental Bulletin, 12(10), , Yüksel, M.F. Havadaki SO 2 konsantrasyonunun adaptif Neuro Fuzzy ile modellenmesi ve tahmini, Yüksek Lisans Tezi (yayınlanmamış), Gebze Yüksek Teknoloji Enstitüsü, Fen Bilimleri Enstitüsü, Çevre Mühendisliği Anabilim Dalı, Gebze-Kocaeli,