1.25 Hava Kalitesi ve Çevresel İzleme

1. Problem Tanımı ve Sistemik Etki

Hava kirliliği, Dünya Sağlık Örgütü'ne göre yıllık ~7 milyon erken ölüme neden olmakta ve küresel hastalık yükünün en büyük çevresel risk faktörünü oluşturmaktadır (WHO, 2022). Tarımsal bağlamda hava kalitesi çift yönlü bir ilişki taşır: bir yandan tarımsal faaliyetler (hayvancılık emisyonları, gübre uygulama, anız yakma, pestisit spreyleme) toplam NH3 emisyonlarının %90'ını ve küresel metan emisyonlarının %40'ını üretmektedir; öte yandan troposferik ozon (O3) ve partikül madde (PM2.5) birikimi, bitki fizyolojisini doğrudan etkileyerek küresel ürün veriminde yıllık %3-16 kayba yol açmaktadır (Mills et al., 2018).

Hava kalitesi izlemesinde üç temel mühendislik kısıtı mevcuttur:

• Mekansal kapsama yetersizliği: Referans hava kalitesi istasyonları pahalıdır (kurulum maliyeti 50.000-200.000 USD) ve kırsal tarım bölgelerinde yoğunlukları son derece düşüktür. Türkiye'de 350+ istasyonun büyük çoğunluğu kentsel alanlarda konumlanmıştır; tarımsal bölgelerdeki hava kalitesi büyük ölçüde bilinmemektedir.
• Zamansal çözünürlük: Uydu tabanlı aerosol optik derinlik (AOD) ölçümleri günlük veya günde birkaç geçişle sınırlıdır; saatlik kirletici konsantrasyon tahminleri yer istasyonlarına bağımlıdır.
• Çoklu kirletici etkileşimi: PM2.5, O3, NO2, SO2 ve NH3 arasındaki fotokimyasal ve fizikokimyasal etkileşimler doğrusal olmayan karakter taşır. Tek kirletici bazlı modelleme, bu etkileşimleri yakalamada yetersiz kalır.

Bu kısıtlamalar, makine öğrenmesi tabanlı mekansal-zamansal (spatiotemporal) modelleri hava kalitesi tahmininin en aktif araştırma alanlarından biri haline getirmiştir.

2. Teknolojik Evrim ve Algoritmalar

2.1 Geleneksel Yöntemler (1990-2012)

Erken dönem hava kalitesi modelleme yaklaşımları deterministik kimyasal taşınım modelleri ve jeostatistiksel yöntemler üzerine kuruluydu:

• Kimyasal taşınım modelleri (CTM): CMAQ, WRF-Chem gibi fizik tabanlı modeller, atmosferik kimya ve meteorolojik dinamikleri numerik olarak çözer. Kirletici konsantrasyon tahminlerinde RMSE tipik olarak 10-20 ug/m3 (PM2.5 için) aralığındadır. Limitasyon: Emisyon envanterleri gerçek zamanlı güncellenmez; hesaplama maliyeti yüksektir (ulusal ölçek için yüzlerce CPU-saat).
• Kriging (geostatistical interpolation): Mekansal otokorelasyon yapısını variogram ile modelleyerek ölçüm noktaları arasındaki kirletici konsantrasyonunu enterpolasyon yoluyla tahmin eder. Ordinary Kriging, istasyon yoğunluğunun yeterli olduğu bölgelerde RMSE = 5-12 ug/m3 performans gösterir. Ancak istasyonlar arası mesafe arttığında (> 50 km) tahmin belirsizliği belirgin biçimde yükselir.
• Çoklu doğrusal regresyon (LUR - Land Use Regression): Arazi kullanımı, trafik yoğunluğu, nüfus ve meteorolojik değişkenlerden kirletici konsantrasyonu tahmini. Hoek et al. (2008), LUR modellerinin NO2 tahmininde R2 = 0,54-0,81 aralığında performans gösterdiğini raporlamıştır. Mekansal çözünürlük avantajına karşın zamansal varyasyonu yakalama kapasitesi sınırlıdır.

2.2 Modern Yaklaşımlar (2013-Günümüz)

CNN-LSTM Hibrit Modeller

Mekansal ve zamansal bağımlılıkların eşzamanlı modellenmesi.

• Girdi: Çok istasyonlu kirletici konsantrasyon zaman serileri + meteorolojik değişkenler (sıcaklık, nem, rüzgar hızı/yönü, basınç) + uydu AOD verileri
• Çalışma prensibi: CNN katmanları mekansal bağımlılıkları (komşu istasyonlar arası ilişkiler) yakalar; LSTM katmanları zamansal bağımlılıkları (günlük/haftalık döngüler, trend) modelleyerek 24-72 saatlik tahminler üretir.
• Eğitim: Adam optimizer ile end-to-end eğitim; kaydırmalı pencere yaklaşımı.
• Performans: Qi et al. (2019), Pekin PM2.5 tahmini için CNN-LSTM hibrit modelinin tek başına LSTM'e göre %8-15, ARIMA'ya göre %25-35 daha düşük RMSE sağladığını raporlamıştır. 24 saatlik tahmin RMSE = 18,2 ug/m3.

Random Forest ile PM2.5 Haritalama

Uydu AOD verilerinden yer seviyesi PM2.5 konsantrasyonunun tahmini.

• Girdi: MODIS/VIIRS AOD, meteorolojik reanaliz verileri (ERA5), arazi kullanımı değişkenleri, mevsimsel indeksler
• Çalışma prensibi: AOD-PM2.5 ilişkisinin meteorolojik koşullara bağlı olarak değişkenliğini yakalamak için RF kullanılır. Değişken önem sıralaması ile en etkili tahmin değişkenleri belirlenir.
• Performans: Hu et al. (2017), ABD genelinde RF tabanlı PM2.5 tahmininde R2 = 0,80 ve RMSE = 2,83 ug/m3 elde etmiştir (günlük ortalama). Ancak AOD verisinin bulut altında kullanılamaması, tüm günler için tahmin üretilmesini engeller.

Grafik Sinir Ağları (GNN)

İstasyon ağının topolojik yapısını modelleyen mekansal tahmin.

• Girdi: İstasyon ağı grafik yapısı (düğümler: istasyonlar; kenarlar: mesafe/korelasyon tabanlı bağlantılar) + istasyon bazlı zaman serileri
• Çalışma prensibi: Graph Convolutional Network (GCN) veya Graph Attention Network (GAT) ile komşu istasyonlardan bilgi propagasyonu yapılarak her düğüm için tahmin üretilir.
• Performans: Wang et al. (2020), GNN tabanlı PM2.5 tahmininde geleneksel CNN-LSTM'e göre %5-10 daha düşük MAE raporlamıştır. Ancak grafik yapısının tanımlanması (hangi istasyonlar bağlı?) model tasarımına öznel bir bileşen katar.

Düşük Maliyetli Sensör Kalibrasyonu

Düşük maliyetli hava kalitesi sensörlerinin (50-500 USD) ML ile kalibrasyonu.

• Girdi: Ham sensör sinyalleri (elektrokimyasal, optik) + sıcaklık, nem, basınç
• Çalışma prensibi: RF veya ANN ile ham sensör çıktısı, referans ölçüm değerine regresyon yapılarak kalibrasyon sağlanır. Cross-sensitivity (nem, sıcaklık etkisi) düzeltmesi otomatik öğrenilir.
• Performans: Zimmerman et al. (2018), RF kalibrasyonu ile düşük maliyetli PM2.5 sensörlerinde R2 = 0,72-0,85 ve RMSE = 3,5-7,2 ug/m3 raporlamıştır. Ancak sensör sürüklenmesi (drift) nedeniyle kalibrasyon 3-6 ayda yeniden yapılmalıdır.

Yaklaşım Karşılaştırma Tablosu

3. Gerçek Dünya Zorlukları (Domain Gap Analizi)

Mekansal Enterpolasyon Belirsizliği

Kırsal tarım bölgelerinde hava kalitesi istasyonları çok seyrek dağılmıştır. Türkiye'de en yakın iki istasyon arasındaki mesafe kırsal bölgelerde 50-150 km'yi aşabilir. Bu mesafede Kriging veya ML tabanlı enterpolasyon, yerel emisyon kaynakları (anız yakma, hayvancılık tesisi, sanayi) tarafından oluşturulan mikro ölçekli kirlilik desenlerini yakalamakta başarısız olur. Uydu AOD verileri bu boşluğu kısmen doldurabilir; ancak AOD-PM2.5 dönüşüm katsayısı bölgesel aerosol kompozisyonuna, dikey profil yapısına ve nem koşullarına göre %30-50 değişkenlik gösterir.

Zamansal Çözünürlük Uyumsuzluğu

Tarımsal uygulamalarda kritik olan kısa süreli maruziyetler (pestisit spreyleme sırasında 1-4 saatlik PM10 pike) saatlik çözünürlüklü veriler gerektirir. Uydu verileri günde 1-2 geçişle sınırlıdır; yer istasyonları saatlik veri üretir ancak mekansal kapsamları yetersizdir. Düşük maliyetli sensörler saatlik-dakikalık veri üretebilir ancak doğrulukları referans cihazların %60-85'i düzeyindedir. Bu farklı çözünürlüklerdeki veri kaynaklarının füzyonu, çok ölçekli modelleme çerçevelerini daha önemli hale getirir.

Çoklu Kirletici Etkileşimi

Tarımsal NH3 emisyonları, atmosferdeki SO2 ve NOx ile reaksiyona girerek ikincil inorganik aerosol (amonyum sülfat, amonyum nitrat) oluşturur ve PM2.5 konsantrasyonunu artırır. Bu fotokimyasal süreçler, tek kirletici bazlı ML modellerinin kapsamı dışındadır. Çoklu kirletici girdi-çıktı modelleri bu etkileşimleri öğrenebilir ancak veri boyutu arttıkça aşırı uyum riski yükselir ve fiziksel tutarlılık garantisi yoktur.

Tarımsal Emisyon Envanter Eksikliği

Tarımsal NH3 ve metan emisyonlarının mekansal ve zamansal dağılımı büyük ölçüde bilinmemektedir. Ulusal emisyon envanterleri yıllık toplamlar üzerinden çalışır; gübre uygulama zamanlaması, hayvan sayısı değişimi ve anız yakma dönemleri gibi mevsimsel faktörler yansıtılmaz. ML modelleri bu envanterleri girdi olarak kullandığında, girdi belirsizliği çıktı tahminini sistematik olarak etkiler.

Bölgesel Senaryo: Siirt Tarımsal Emisyonlar

Siirt ilinde hava kalitesi izleme altyapısı son derece sınırlıdır; il merkezindeki tek istasyon tarımsal bölgeleri temsil etmemektedir.

1. Anız yakma emisyonları: Hasat sonrası anız yakma uygulaması bölgede yaygın olup kısa süreli PM2.5 ve PM10 piklerine neden olmaktadır. Bu episodik emisyonların zamansal ve mekansal dağılımı uydu yangın verilerinden (MODIS Active Fire) tespit edilebilir; ancak küçük ölçekli anız yangınlarının tespitinde uydu çözünürlüğü yetersiz kalır.
2. Hayvancılık kaynaklı NH3: Siirt'te küçükbaş hayvancılık yoğundur; açık otlatma ve barınak emisyonları NH3 ve metan kaynaklarıdır. Bu emisyonların modellemesi için hayvan sayısı, barınak tipi ve meteorolojik koşulların entegre edilmesi gerekir ancak hayvan hareketleri (yayla göçü) mevsimsel varyasyon yaratır.
3. Düşük maliyetli sensör ağı potansiyeli: Bölgede referans istasyon kurulumu ekonomik olarak gerekçelenemezken, 10-20 adet düşük maliyetli PM2.5 sensörünün stratejik konumlandırılması ve ML tabanlı kalibrasyonu ile tarımsal emisyon haritası oluşturulabilir. Ancak sensörlerin yarı-kurak iklim koşullarındaki (yüksek toz yükü, sıcaklık aşırılıkları) performansı doğrulanmalıdır.

4. Literatür: Seminal Çalışmalar

Hu et al. (2017) — ABD genelinde MODIS AOD + meteorolojik verilerle RF tabanlı günlük PM2.5 tahmini. 1 km mekansal çözünürlükte R2 = 0,80, RMSE = 2,83 ug/m3. 2003-2013 dönemi 10 yıllık veri kullanılmış; mevsimsel model eğitiminin yıllık modele göre %8-12 daha iyi performans gösterdiği raporlanmıştır. (1.400+ atıf)

Qi et al. (2019) — CNN-LSTM hibrit modeli ile Pekin PM2.5 tahmini. 35 izleme istasyonu verisi kullanılmış; 24 saatlik tahmin RMSE = 18,2 ug/m3, R2 = 0,76. Tek başına LSTM (RMSE = 21,5) ve ARIMA (RMSE = 28,3) ile karşılaştırmalı analiz yapılmıştır. Mekansal CNN katmanının %8-15 iyileşme sağladığı gösterilmiştir. (520+ atıf)

Zimmerman et al. (2018) — Düşük maliyetli elektrokimyasal ve optik sensörlerin RF tabanlı kalibrasyonu. Pittsburgh'da 3 aylık ko-lokasyon çalışması; PM2.5 R2 = 0,72-0,85, O3 R2 = 0,88. Sensör sürüklenmesinin 6 ayda kalibrasyonu %20-30 bozduğu ve periyodik yeniden kalibrasyonun zorunlu olduğu raporlanmıştır. (380+ atıf)

Mills et al. (2018) — Troposferik ozonun küresel ürün verimine etkisi. 2010-2012 verileriyle buğdayda %7,1, soyada %12,4, mısırda %4,4 ve pirinçte %3,9 verim kaybı tahmin edilmiştir. Yıllık ekonomik etki 17-35 milyar USD olarak hesaplanmıştır. Nature Climate Change'de yayımlanmış. (1.100+ atıf)

Di et al. (2019) — Sinir ağı tabanlı ABD geneli 1 km PM2.5 tahmini. Uydu AOD, meteoroloji, arazi kullanımı ve kimyasal taşınım model çıktıları entegre edilmiş. Cross-validation R2 = 0,86; günlük tahminde RMSE = 2,15 ug/m3. 18 milyon Medicare kayıtlı bireyin maruziyeti ile mortalite ilişkisi analiz edilmiştir. (1.800+ atıf)

5. Gelecek Vizyonu

Uydu-Sensör Füzyonu ile Küresel Alan Haritalama

Sentinel-5P TROPOMI sensörü, NO2, SO2, O3 ve CO için günlük küresel kapsama sağlamaktadır (5,5 km x 3,5 km çözünürlük). Bu uydu verilerinin yer istasyonları ve düşük maliyetli sensör ağları ile ML tabanlı füzyonu, tarımsal bölgelerde daha önce ölçüm yapılmamış alanların hava kalitesi haritasını oluşturabilir. Transfer öğrenme, veri yoğunluğu yüksek bölgelerde eğitilmiş modellerin seyrek bölgelere aktarılmasını mümkün kılar; ancak emisyon profili ve meteorolojik koşullar farklı olduğunda domain adaptation gereklidir.

Tarımsal Emisyon Modellemesi

Tarımsal NH3 emisyonlarının mekansal-zamansal modellemesi, gübre tipi ve uygulama yöntemi, toprak pH'ı, sıcaklık ve nem koşullarının birleşik etkisini gerektirir. Proses tabanlı modeller (DNDC, DayCent) bu etkileşimleri simüle eder ancak hesaplama maliyeti yüksektir. ML surrogate modeller, proses modellerinin çıktılarını 100-1000 kat hızlı tahmin ederek real-time emisyon haritaları üretebilir. Bu haritalar hassas tarım uygulamalarında (değişken oranlı gübre uygulama) emisyon azaltma reçetelerine dönüştürülebilir.

Sağlık Etki Değerlendirmesi Entegrasyonu

Hava kalitesi tahmin modelleri, epidemiyolojik etki değerlendirme çerçeveleriyle birleştirildiğinde tarımsal politikaların sağlık etkisi nicel olarak hesaplanabilir. Anız yakma yasağının PM2.5 konsantrasyonunu ne kadar düşüreceği, bu düşüşün kaç erken ölümü önleyeceği gibi sorular, ML tabanlı senaryolar analizi ile yanıtlanabilir. Ancak maruziyet-yanıt fonksiyonlarının kırsal tarım topluluklarına özgü kalibrasyonu yapılmamıştır; kentsel çalışmalardan aktarım belirsizlik taşır.

Bu içerik, literatür notları ve seçilmiş kaynak özetleri temel alınarak hazırlanmış editoryal bir ders metnidir.

Dr. Mehmet Solak — Siirt Üniversitesi, Biyosistem Mühendisliği