Sera gazı emisyonu hesaplamalarında yapay zekâ uygulamaları
Yükleniyor...
Tarih
2023-08-07
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Batman Üniversitesi Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Küresel ısınmayı tetikleyen sera gazları, doğal etmenlerin yanı sıra insan kaynaklı
faaliyetlerden de kaynaklanmaktadır. Fosil yakıtların kullanımıyla ortaya çıkan sera gazları
emisyonu, küresel ısınmada önemli bir etkendir. Özellikle karbondioksit, küresel ısınma üzerinde
en güçlü etkiye sahiptir; çünkü sıcaklığı emen bir gaz olarak, etkisi son derece büyük ölçüdedir.
Küresel anlaşmalar, özellikle Paris Anlaşması gibi, insan faaliyetlerinin azaltılması ve net sıfır
emisyon hedeflerinin benimsenmesi yönünde önemli adımlar atmıştır. Bu bağlamda, tüm ülkelerin
sürdürülebilir ve gerçekçi programlar uygulayarak sera gazı emisyonlarını azaltma hedeflerine
ulaşmaları beklenmektedir.
Finansal, ekonomik ve insani gelişmişlik göstergeleri, nüfus, ormansızlaştırma ve enerji
tüketimi gibi verileri kullanarak, bazı ülkelerde gelecekteki sera gazı emisyon seviyelerini
hesaplamak için makine öğrenimi yöntemleri kullanılmıştır. Bu çalışmada, sera gazı
emisyonlarının azaltılması hedefine ulaşmak için MATLAB programı aracılığıyla uzun kısa
dönem bellek (LSTM) ve hibrit CNN-RNN modeli gibi derin öğrenme yöntemleri kullanılarak
karşılaştırmalar yapılmıştır. Ayrıca, zaman serisi verileri için NARX modellemesi ile elde edilen
tahminlerle LSTM modellemesi sonuçları karşılaştırılarak gelecekteki sera gazı emisyonları
tahmin edilmiştir. Bu çalışma ayrıca, ülkelerin sera gazı emisyon azaltma hedeflerine ulaşmaları
için farklı verileri göz önünde bulundurarak sürdürülebilir programlar geliştirmelerine kolaylık
sağlaması beklenmektedir.
Greenhouse gases that trigger global warming stem from both natural factors and human activities. The emission of greenhouse gases resulting from the use of fossil fuels constitutes a paramount factor in global warming. Particularly, carbon dioxide exerts the most potent impact on global warming, as it acts as a heat-absorbing gas, with its effect being considerably significant. Global agreements, notably the Paris Agreement, have taken significant steps towards reducing human activities and embracing net zero emission targets. Consequently, it is anticipated that all countries will strive to achieve their greenhouse gas emission reduction goals by implementing sustainable and pragmatic programs. Machine learning methods have been employed in this study, utilizing financial, economic, and human development indicators, population data, deforestation rate and energy consumption data to calculate future greenhouse gas emission levels in certain countries. In this study, comparisons have been made using deep learning techniques, such as Long Short-Term Memory (LSTM) and hybrid CNN-RNN models, through the MATLAB program to achieve the objective of reducing greenhouse gas emissions. Additionally, future greenhouse gas emission predictions were made by comparing LSTM modeling results with those obtained through NARX modeling for time-series data. This study is also expected to facilitate the development of sustainable programs by considering different data for countries to achieve their greenhouse gas emission reduction targets.
Greenhouse gases that trigger global warming stem from both natural factors and human activities. The emission of greenhouse gases resulting from the use of fossil fuels constitutes a paramount factor in global warming. Particularly, carbon dioxide exerts the most potent impact on global warming, as it acts as a heat-absorbing gas, with its effect being considerably significant. Global agreements, notably the Paris Agreement, have taken significant steps towards reducing human activities and embracing net zero emission targets. Consequently, it is anticipated that all countries will strive to achieve their greenhouse gas emission reduction goals by implementing sustainable and pragmatic programs. Machine learning methods have been employed in this study, utilizing financial, economic, and human development indicators, population data, deforestation rate and energy consumption data to calculate future greenhouse gas emission levels in certain countries. In this study, comparisons have been made using deep learning techniques, such as Long Short-Term Memory (LSTM) and hybrid CNN-RNN models, through the MATLAB program to achieve the objective of reducing greenhouse gas emissions. Additionally, future greenhouse gas emission predictions were made by comparing LSTM modeling results with those obtained through NARX modeling for time-series data. This study is also expected to facilitate the development of sustainable programs by considering different data for countries to achieve their greenhouse gas emission reduction targets.
Açıklama
Anahtar Kelimeler
Derin Öğrenme, LSTM, NARX, Regresyon, Sera Gazı, YSA, ANN, Deep Learning, Greenhouse Gas, Regression
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Ertuğrul, S. (2023). ESera gazı emisyonu hesaplamalarında yapay zekâ uygulamaları. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman.
