Sezgin, NecmettinErtuğrul, Serkan2024-08-122024-08-122023-08-07Ertuğrul, S. (2023). ESera gazı emisyonu hesaplamalarında yapay zekâ uygulamaları. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman.https://hdl.handle.net/20.500.12402/4624Küresel 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.trinfo:eu-repo/semantics/openAccessDerin ÖğrenmeLSTMNARXRegresyonSera GazıYSAANNDeep LearningGreenhouse GasRegressionMaster Thesis