Dursun, ŞükrüDalkılıç, Emre2025-12-242025-12-242025https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=V-oEQd0LkkqRGCXNzJWCTXz5R0PdHwghC8oryTktt1VsZvaSC0vOSh9MfuTWyEo6https://hdl.handle.net/123456789/12787Tez çalışmasında, Konya ili merkezine ait hava kalitesi değerleri Python programlama dili kullanılarak tahmin edilmiştir. Bu amaçla, 2007–2024 yılları arasındaki meteorolojik veriler Türkiye Meteoroloji Genel Müdürlüğü'nden; hava kalitesi parametrelerine ilişkin veriler ise Çevre, Şehircilik ve İklim Değişikliği Bakanlığı'na bağlı Konya Karkent Hava Kalitesi Ölçüm İstasyonu'ndan temin edilmiştir. Toplanan veri seti, veri madenciliği ve ön işleme teknikleri uygulanarak analiz ve modelleme sürecine uygun hale getirilmiştir. Farklı makine öğrenmesi ve istatistiksel modelleme yöntemleri kullanılarak hava kalitesi tahminlemesi gerçekleştirilmiş; bu modeller, R² (determinasyon katsayısı), MAPE (Ortalama Mutlak Yüzde Hatası), MSE (Ortalama Kare Hatası) gibi performans metrikleri açısından değerlendirilmiştir. Bu çalışmada, uzun-kısa dönemli bellek (Long Short-Term Memory, LSTM) gibi derin öğrenme tabanlı zaman serisi analiz tekniklerinin yanı sıra, gradyan artırma regresyonu (Gradient Boosting Regressor), ekstra ağaçlar regresörü (Extra Trees Regressor), hafif gradyan artırma makinesi (LightGBM) ve rastgele orman regresörü (Random Forest Regressor) gibi topluluk (ensemble) yöntemleri de dahil olmak üzere toplam 19 farklı makine öğrenmesi algoritması kullanılmıştır. Gerçekleştirilen modelleme sürecinde PM₁₀ ve SO₂ parametreleri için en başarılı sonuçlar sırasıyla LSTM, Extra Trees Regressor ve Gradient Boosting Regressor algoritmalarıyla elde edilmiştir. PM₁₀ tahmininde LSTM modeli 0.917 R² değeriyle en yüksek performansı gösterirken, Extra Trees Regressor ve Gradient Boosting Regressor algoritmaları sırasıyla 0.412 ve 0.366 R² değerleriyle takip etmiştir. SO₂ tahmininde ise LSTM yine 0.917 R² değeriyle en iyi sonuçları vermiş; Extra Trees Regressor ve Gradient Boosting Regressor ise sırasıyla 0.255 ve 0.211 R² değerlerine ulaşmıştır. Sonuç olarak, en yüksek doğruluk oranını sağlayan LSTM modeli, geliştirilen kullanıcı dostu bir arayüze entegre edilerek uygulama haline getirilmiştir.In this thesis study, air quality values for the central district of Konya were predicted using the Python programming language. For this purpose, meteorological data covering the years 2007–2024 were obtained from the Turkish State Meteorological Service, while air quality parameters were collected from the Konya Karkent Air Quality Monitoring Station, affiliated with the Ministry of Environment, Urbanization and Climate Change. The collected dataset was processed using data mining and preprocessing techniques to make it suitable for analysis and modelling. Air quality forecasting was carried out using various machine learning and statistical modelling methods. These models were evaluated based on performance metrics such as R² (coefficient of determination), MAPE (Mean Absolute Percentage Error), and MSE (Mean Squared Error). In this study, a total of 19 different machine learning algorithms were utilized, including deep learning-based time series analysis techniques such as Long Short-Term Memory (LSTM), as well as ensemble methods like Gradient Boosting Regressor, Extra Trees Regressor, LightGBM, and Random Forest Regressor. During the modelling process, the most successful results for PM 10 and SO2 parameters were obtained using LSTM, Extra Trees Regressor, and Gradient Boosting Regressor, respectively. For PM 10 prediction, the LSTM model achieved the highest performance with an R² value of 0.917, while the Extra Trees Regressor and Gradient Boosting Regressor yielded R² values of 0.412 and 0.366, respectively. For SO2 prediction, LSTM again showed the best performance with an R² value of 0.917, whereas the Extra Trees Regressor and Gradient Boosting Regressor achieved R² values of 0.255 and 0.211, respectively. As a result, the LSTM model, which demonstrated the highest accuracy, was integrated into a user-friendly interface and deployed as an application.trMühendislik BilimleriEngineering SciencesDoctoral Thesis