Deşarj noktası ölçeğinde sinir ağları kullanarak belediye katı atık yönetimi öngörüsü

Kalabalık Şehirler İçin Daha Akıllı Çöp Toplama

Şehirler büyüdükçe çöp miktarı da artar. Taşan çöp kutuları, gürültülü kamyonlar ve artan sera gazı emisyonları; atık toplamanın yetişmekte zorlandığının günlük belirtileridir. Bu çalışma, yapay zekânın (YZ) sabit ve çoğu zaman israflı toplama programlarından, çöp kutularının gerçekten ne zaman ve nerede dolduğunu bilen veri odaklı daha akıllı planlamaya nasıl yardımcı olabileceğini gösteriyor.

Sistemin En Küçük Parçaları Neden Önemli?

Mevcut atık planlamasının çoğu şehir çapındaki büyük rakamlara bakar: her gün veya ay toplanan tonajlar gibi. Bu, uzun vadeli bütçeleme için yararlı olsa da; köşelerindeki bir çöp kutusunun taşması ve diğerinin yarı boş olması gibi sakinleri gerçekten rahatsız eden durumu görmezden gelir. Yazarlar, izlenmesi gereken ana birimin “deşarj noktası” olduğunu; yani insanların çöp bıraktığı her bir ayrı çöp kutusu, konteyner veya giriş olduğunu savunuyor. Bu noktaların her birini yerel davranışın kendi sensörü gibi ele alarak belediye hizmetleri, atığın sokak sokak ve saat saat nasıl biriktiğini yıllık toplam yerine anlayabilir.

Ham Kutu Etkinliğini Kullanılabilir Sinyallere Dönüştürmek

Bu fikri test etmek için araştırmacılar, kuzey İspanya’daki küçük bir şehirdeki 200 deşarj noktasından dört yıl boyunca kaydedilmiş gerçek verilerle çalıştı. Her seferinde bir kutu dolduğunda veya boşaltıldığında bir kayıt oluşturuldu ve milyonlarca bireysel olay üretildi. Bu ham akış düzensizdi: okumalar düzensiz zamanlarda geldi, bazı kutularda diğerlerinden çok daha fazla ölçüm vardı ve zaman zaman hatalar veya ani boşaltma olayları veriyi bozuyordu. Ekip önce bu kayıtları temizleyip yeniden şekillendirerek beş dakikalık, sonra saatlik düzenli zaman adımlarına hizaladı ve günün saati, haftanın günü, ay, mevsim, hafta sonu ya da tatil gibi basit takvim bilgileri ekledi. Ayrıca tuhaf sıçramaları tespit edip düzeltti ve bazı testlerde tüm değerleri aynı ölçeğe getirip getirmemenin etkisini görmek için yaygın bir ölçeklendirme yöntemi (Min–Max normalizasyonu) kullandı.

Çöp Kutusunun Dolmasını Öngörmesi İçin Sinir Ağlarını Eğitmek

Bu yapılandırılmış veri setiyle yazarlar, karmaşık, doğrusal olmayan örüntüleri yakalamaya uygun esnek YZ modelleri olan yapay sinir ağlarını eğitti. Amaç, önümüzdeki birkaç saat içinde bir kutuya ne kadar atık ekleneceğini tahmin etmekti. Üç temel strateji test ettiler. Birincisinde, her deşarj noktasına yerel davranışına göre özelleştirilmiş kendi modeli verildi. İkincisinde, birkaç kutudan gelen veriler gruplandırılarak ortalamalar veya medyanlar gibi temsil edici değerlerle paylaşılan örüntüler kullanıldı. Üçüncüsünde ise tek bir “küresel” model tüm kutulardan aynı anda öğrenmeye çalıştı. Ayrıca bir ila altı saat arasındaki farklı zaman pencereleri ve normalizasyonlu/normalizasyonsuz verilerle deneyler yaptılar.

Güvenilir Tahmin İçin En İyi Yöntemler

Sonuçlar bağlamın önemli olduğunu gösterdi: basit zamanla ilgili ipuçlarını temel dolum okumalarına eklemek büyük fark yarattı. Yalnızca tek bir giriş alanı kullanan modeller, pratikte yararlı olabilecek doğruluk seviyelerine nadiren ulaştı. Sinir ağları saatlik dolum artışlarını takvim ve tatil bilgileriyle birleştirdiğinde tahminler belirgin şekilde iyileşti. En güvenilir tahminler, günlük dalgalanmaları yakalarken rastgele iniş çıkışları düzleyen dört ve altı saatlik aralıklarla gruplanmış kutu modellerinden geldi. Bu kurulumlar yazarların gerçek operasyonları yönlendirebilecek kadar güçlü kabul ettiği doğruluk seviyelerine ulaştı; oysa tek beden herkese uyan küresel model bu seviyenin altında kaldı. İlginç biçimde, veriyi normalleştirmenin her zaman faydalı olmadığı görüldü; birkaç durumda ölçeklenmemiş değerler biraz daha iyi tahminler verdi.

Tepkisel Temizlikten Proaktif Planlamaya

Basitçe söylemek gerekirse, çalışma şehirlerin mevcut kutu düzeyindeki verileri basit takvim bilgileriyle birleştirerek önümüzdeki birkaç saat içinde çöpün ne zaman ve nerede birikeceğini tahmin edebileceğini gösteriyor. Sabit güzergâhlarda sürmek veya taşma olduktan sonra yanıt vermek yerine, çöp kamyonları gerçekten gerektiği yere, günün doğru saatinde yönlendirilebilir. Bu daha az gereksiz seyahat, daha düşük yakıt kullanımı ve emisyon ve daha temiz sokaklar demektir. Çalışma bir şehir ve sınırlı sayıda kutu üzerine odaklansa da, dağınık operasyon kayıtlarını YZ destekli bir planlama aracına dönüştürmek için açık ve yeniden kullanılabilir bir çerçeve sunuyor—daha sürdürülebilir, duyarlı kentsel atık yönetimine doğru önemli bir adım.

Atıf: De-la-Mata-Moratilla, S., Gutierrez-Martinez, JM. & Castillo-Martinez, A. Municipal solid waste management forecasting using neural networks at discharge point scale. Sci Rep 16, 6903 (2026). https://doi.org/10.1038/s41598-026-38110-9

Anahtar kelimeler: belediye katı atıkları, akıllı şehirler, sinir ağları, atık toplama tahmini, kentsel sürdürülebilirlik