Prediction of soil radon gas using meteorological parameters with machine learning algorithms

ÇAĞLA ÖZTÜRK ZAN

Prediction of soil radon gas using meteorological parameters with machine learning algorithms

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, İstatistik Ana Bilim Dalı, Türkiye

Tezin Onay Tarihi: 2021

Tezin Dili: İngilizce

Öğrenci: ÇAĞLA ÖZTÜRK ZAN

Danışman: Neslihan Demirel

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Radon, yeryüzünde bulunan tüm radyasyon kaynakları içerisinde en yüksek doza maruz kalınan ve sağlığımıza olumsuz etkisi olan doğal radyasyon kaynağıdır. Kayaçlardaki doğal uranyum ve radyum elementlerinin bozuşmasından oluşur. Radonun hareketini şekillendiren faktörler arasında; Radon izotoplarının bozunma hızı, gözenekleri dolduran akışkanlar (hava, su ve diğer gazlar), atmosferik basınç, toprak ve hava sıcaklığı, rüzgar hızı, rüzgarın yönü gibi meteorolojik faktörler yer alır. Bu çalışmanın amacı bazı meteorolojik faktörlerin, Radon gazı üzerindeki etkilerinin Denetimli Öğrenme Algoritmaları ile değerlendirilmesi ve Radon gazı değerlerinin bu faktörlere göre tahmin edilmesidir. Bu amaçla 30 Ekim 2006 - 04 Haziran 2007 tarihleri arasında saatlik periyodlarla Seferihisar bölgesinden elde edilen Radon gazı seviyesine ek olarak T.C. Tarım ve Orman Bakanlığı Meteoroloji Genel Müdürlüğü'nden Saatlik Aktüel Basınç, Saatlik 50 cm Toprak Sıcaklığı, Saatlik Nispi Nem, Saatlik Sıcaklık, Saatlik Rüzgâr Derecesi, Saatlik Rüzgar Hızı ve Saatlik Rüzgar Yönü parametreleri ölçümleri elde edilmiştir. Radon ve radona etki eden meteorolojik faktörler arasındaki ilişkiyi analiz etmek için Denetimli Öğrenme Algoritmalarından Çoklu Doğrusal Regresyon, k-En Yakın Komşuluk, Destek Vektör Makineleri, Regresyon Ağaçları, Torbalama(Bagging), Rassal Ormanlar, XGBoost yöntemleri kullanılmıştır. Uygulanan yöntemlerin başarılarının sınanması için K çapraz-geçerlilik(K=5) ile doğrulama testleri gerçekleştirilmiştir. Algoritmaların performanslarını karşılaştırmak üzere Belirtme Katsayısı(R^2), Hata Kareler Ortalaması(Mean Square Error-MSE), Kök Hata Kareler Ortalaması(Root Mean Square Error-RMSE), Ortalama Mutlak Hata(Mean Absolute Error-MAE) değerleri kullanılmıştır. Performans kriterleri dikkate alındığında en iyi sonucu Rassal Ormanlar Regresyonu vermiştir. Bu yöntemi, birbirlerine çok yakın sonuçlar veren XGBoost ve k-En Yakın Komşuluk Algoritmaları takip etmiştir.