Uyarlanabilir ağlı nötrözofik tereddütlü bulanık çıkarım sistemi (ANNHFIS) tabanlı yeni bir anlık kestirim (tahmin) modeli: İstanbul örnek olayı

Bu çalışma kent havası için neden önemli?

Biyokütle enerji santralleri, evsel atıkları ve organik artıklarını elektriğe dönüştürür; bu kulağa temiz enerji için kazanç gibi geliyor. Ancak bu tesisler yine de akciğeri tahriş edebilen ve astımı kötüleştirebilen azot dioksit gazı salar. İstanbul gibi yoğun kentlerde, bu tür tesislerin yakınındaki günün azot dioksit düzeyini bilmek yetkililerin vatandaşları uyarmasına ve hava kalitesini yönetmesine yardımcı olabilir. Bu çalışma, büyük bir atık-enerji tesisi çevresinde aynı gün için daha güvenilir tahminler vermeyi amaçlayan yeni bir akıllı kestirim sistemi sunuyor.

Atık enerjisi yakındaki havayı nasıl etkiler?

Biyokütle tesisleri, elektriği sağlamak için büyük miktarda atığı yakar veya işler. İşletme biçimlerine bağlı olarak, bazı fosil yakıtlı tesislere benzer seviyelerde partikül ve azot oksitleri salabilirler. Azot dioksit özellikle önemlidir çünkü havayı bulanıklaştırır, smog ve asit oluşumuna katkıda bulunur ve akciğerlere zarar verir. İstanbul’un Eyüpsultan ilçesinde, milyonlarca insana güç sağlayan büyük bir atık-enerji ve biyometanizasyon kompleksi vardır; ancak bu kompleks aynı zamanda azot dioksit ve ince partiküller gibi gazları atmosfere salar. Bu nedenle yerel hava koşullarının ve eş-kirliliklerin bu kompleks yakınında günlük azot dioksit düzeylerini nasıl şekillendirdiğini anlamak önemli bir halk sağlığı sorusudur.

Modele hangi veriler girildi?

Araştırmacılar Eyüp tesisleri yakınındaki 2019–2023 arasındaki günlük koşullara odaklandı. Girdi olarak beş bilgi kullandılar: güneş ışınımı, hava sıcaklığı, nem, azot oksitleri ve havadaki kaba partiküller. Bunların tümü hem hava durumu hem de hava kalitesini izleyen yakındaki bir izleme istasyonunda ölçüldü. Amaç, bu ölçümlerden aynı günün ortalama azot dioksit düzeyini tahmin etmekti. Herhangi bir modeli eğitmeden önce ekip, eksik okumaları olan günleri kaldırarak ve aşırı sensör hatalarını filtreleyerek veriyi temizledi. Ardından tüm değerleri ortak bir aralığa ölçeklediler ve öğrenme algoritmalarını yanıltabilecek ani sıçramalar veya uzun vadeli sapmalar için kayıtları kontrol ettiler.

Gerçek dünyadaki gürültülü sinyalleri ele almanın yeni bir yolu

Geleneksel istatistiksel modeller verideki ilişkileri büyük ölçüde doğrusal kabul eder ve desenler dalgalı, düzensiz veya zamanla değiştiğinde zorlanabilir. Standart sinir ağları daha esnektir ancak aşırı uyum sağlayabilir veya kararlarına nasıl ulaştıkları konusunda az içgörü verebilir. Yazarlar, bulanık mantıkla sinir ağlarını harmanlayan hibrit bir sistem kurdular; bulanık mantık evet/hayır yerine gri tonlarla çalışan bir yöntemdir. Onların yeniliği, sistemin bir girdinin düşük veya yüksek gibi bir kategoriye aitlik derecesini değil, aynı zamanda onun belirsizliğini ve tereddüdünü de ifade etmesine izin vermekti. Çift çan biçimli eğriler ve özel bir harmanlama kuralı kullanılarak model, verinin gürültülü veya çelişkili olduğu—açık havada ölçümlerde sık görülen—ambivalan durumları temsil edebiliyor.

Akıllı kestirici nasıl öğreniyor?

Yeni model, düşük güneş ışınımı ve yüksek partikül düzeylerinin daha yüksek azot dioksit gösterebileceği gibi if–then tarzı kurallara dayanıyor. Perde arkasında, sert sınırlar yerine düzgün değişen güçlere sahip yüzlerce böyle kuralı birleştiriyor. Bu karmaşık kural tabanını ayarlamak için ekip, her aday çözümü bir parçacık gibi uzayda hareket eden ve sürüyü daha iyi performansa doğru iten bir yöntem olan parçacık sürü optimizasyonunu kullandı. Bu arama adımı, bulanık kategorilerin yerleşimini ve her kuralın önemini ayarlar. Ardından gradyan tabanlı ince ayar adımıyla uyum cilalanır. Modelin doğruluğu standart hata ölçüleriyle kontrol edildi ve klasik sinir ağları, uzun-kısa süreli bellek ağları ve önceki bulanık sistemler dahil olmak üzere birkaç güçlü kıyasla karşılaştırıldı.

Araştırmacıların bulguları

Görülmemiş test verilerinde, yeni sistem incelenen modeller arasında en düşük ortalama hatayı ve gözlemlenen azot dioksit düzeyleriyle en yüksek uyumu üretti. Günlük dalgalanmaları ve kirlilik zirvelerini diğer bulanık yaklaşımlardan ve bir derin öğrenme sekans modelinden daha iyi yakaladı ve iyi ayarlanmış bir standart sinir ağıyla benzer performans gösterirken daha şeffaf kaldı. İstatistiksel testler, iyileşmelerin çoğu rakibe göre tesadüfe bağlı olma olasılığının düşük olduğunu gösterdi. Yazarlar, modellerinin belirsizliği daha zengin şekilde ele almasının, hava kalitesi kayıtlarındaki düzgün olmayan, değişen desenlerle başa çıkmasına yardımcı olduğunu savunuyor.

Bu, kent sakinleri için ne anlama geliyor?

Atık bazlı enerji tesislerinin yakınında yaşayanlar için çalışma, daha akıllı anlık kestirim araçlarının bugün soludukları hava hakkında daha net bir tablo sağlayabileceğini gösteriyor. Önerilen yöntem kirliliği ortadan kaldırmaz, ancak kent kurumlarının riskli günleri daha güvenilir şekilde tespit etmelerine ve uyarılar ya da işletme değişiklikleri gibi yanıtlar planlamalarına olanak tanıyabilir. Yöntem esnek olduğu için gelecekte diğer bölgeler, kirleticiler veya tahmin ufuklarına uyarlanabilir. Basitçe söylemek gerekirse, araştırma belirsizliği kabul eden ama yine de yoğun kentsel ortamlarda azot dioksiti yönetmeye dönük pratik rehberlik sunan daha nüanslı bir hava kalitesi termometresi öneriyor.

Atıf: Turgut, A., Seker, S. A novel nowcasting (estimation) model based on an adaptive network neutrosophic hesitant fuzzy inference system (ANNHFIS): a case study of Istanbul. Sci Rep 16, 14855 (2026). https://doi.org/10.1038/s41598-026-45618-7

Anahtar kelimeler: hava kirliliği, azot dioksit, biyokütle enerji santralleri, hava kalitesi modellemesi, makine öğrenmesi