Estimation of Hourly NO2  Concentrations in İzmir’s Atmosphere Using Sentinel-5P Satellite Data and a Machine Learning Approach

Efem Bilgiç; Tolga Elbir

Makale detayları

Estimation of Hourly NO2 Concentrations in İzmir’s Atmosphere Using Sentinel-5P Satellite Data and a Machine Learning Approach

Yazarlar:

Efem Bilgiç | Tolga Elbir

Yayıncı:

Zonguldak Bulent Ecevit University

Ana Başlıklar:

Hava Kirliliği Modellemesi ve Kontrolü

Dergi:

Karaelmas Fen ve Mühendislik Dergisi Vol.15 Issue 1, pp.175-194

Belge Tipi:

Makale

Yayın Tarihi:

4/2025

Belge Dili:

Türkçe

Document ID (Org No.):

2001345572

pISSN:

2146-7277

Anahtar kelimeler:

Özet:

 This study, leveraging the potential of remote sensing data and machine learning methods in air quality prediction, aimed to estimate hourly NO2 concentrations obtained from 10 air quality monitoring stations in İzmir between 2022 and 2023. In this context, the random forest algorithm was applied using Sentinel-5P satellite data, reanalysis products, and digital elevation model parameters. The models performance was evaluated using 10-fold cross-validation, with the metrics R2 , index of agreement IA, root mean square error RMSE, and mean absolute error MAE calculated as 0.71, 0.91, 14.52, and 8.88, respectively. These accuracy values provide a firm reference for national air quality modeling studies. The analysis revealed seasonal and spatial variations influenced the models performance. Specifically, the presence of outliers and the impact of seasonal conditions on the accuracy of Sentinel-5P data played a significant role in the performance variations. Feature importance analyses indicated that the most influential parameters in the models predictions were vegetation, Sentinel-5P data, albedo, and elevation. This study offers a comprehensive approach for reliably estimating NO2 concentrations in areas where measurement networks are limited and serves as a valuable resource for decision-makers in combating air pollution. It is foreseen that future large-scale modeling studies across Türkiye for other air pollutants will contribute significantly to air pollution analytics and environmental policy development processes.

 This study, leveraging the potential of remote sensing data and machine learning methods in air quality prediction, aimed to estimate hourly NO2 concentrations obtained from 10 air quality monitoring stations in İzmir between 2022 and 2023. In this context, the random forest algorithm was applied using Sentinel-5P satellite data, reanalysis products, and digital elevation model parameters. The models performance was evaluated using 10-fold cross-validation, with the metrics R2 , index of agreement IA, root mean square error RMSE, and mean absolute error MAE calculated as 0.71, 0.91, 14.52, and 8.88, respectively. These accuracy values provide a firm reference for national air quality modeling studies. The analysis revealed seasonal and spatial variations influenced the models performance. Specifically, the presence of outliers and the impact of seasonal conditions on the accuracy of Sentinel-5P data played a significant role in the performance variations. Feature importance analyses indicated that the most influential parameters in the models predictions were vegetation, Sentinel-5P data, albedo, and elevation. This study offers a comprehensive approach for reliably estimating NO2 concentrations in areas where measurement networks are limited and serves as a valuable resource for decision-makers in combating air pollution. It is foreseen that future large-scale modeling studies across Türkiye for other air pollutants will contribute significantly to air pollution analytics and environmental policy development processes.

 This study, leveraging the potential of remote sensing data and machine learning methods in air quality prediction, aimed to estimate hourly NO2 concentrations obtained from 10 air quality monitoring stations in İzmir between 2022 and 2023. In this context, the random forest algorithm was applied using Sentinel-5P satellite data, reanalysis products, and digital elevation model parameters. The models performance was evaluated using 10-fold cross-validation, with the metrics R2 , index of agreement IA, root mean square error RMSE, and mean absolute error MAE calculated as 0.71, 0.91, 14.52, and 8.88, respectively. These accuracy values provide a firm reference for national air quality modeling studies. The analysis revealed seasonal and spatial variations influenced the models performance. Specifically, the presence of outliers and the impact of seasonal conditions on the accuracy of Sentinel-5P data played a significant role in the performance variations. Feature importance analyses indicated that the most influential parameters in the models predictions were vegetation, Sentinel-5P data, albedo, and elevation. This study offers a comprehensive approach for reliably estimating NO2 concentrations in areas where measurement networks are limited and serves as a valuable resource for decision-makers in combating air pollution. It is foreseen that future large-scale modeling studies across Türkiye for other air pollutants will contribute significantly to air pollution analytics and environmental policy development processes.

 Bu çalışmada, hava kalitesi tahmininde uzaktan algılama verilerinin ve makine öğrenmesi yöntemlerinin sunduğu potansiyelden yararlanılarak 2022-2023 yılları arasında İzmirdeki 10 hava kalitesi izleme istasyonundan elde edilen saatlik NO2 konsantrasyonlarının tahmini amaçlanmıştır. Bu kapsamda, Sentinel-5P uydu verileri, yeniden analiz ürünleri ve sayısal yükselti modeli parametreleri kullanılarak rastgele orman algoritması uygulanmıştır. Model performansı, 10 katmanlı çapraz doğrulama yöntemiyle değerlendirilmiş; R2 , uyuşma indeksi Uİ, kök ortalama kare hatası KOKH ve ortalama mutlak hata OMH metrikleri sırasıyla 0.71, 0.91, 14.52 ve 8.88 olarak hesaplanmıştır. Bu doğruluk değerleri, ulusal ölçekte hava kalitesi modelleme çalışmalarında güçlü bir referans sunmaktadır. Analiz sonuçları, model performansının mevsimsel ve mekânsal farklılıklardan etkilendiğini ortaya koymuştur. Özellikle uç değerlerin varlığı ve mevsimsel koşulların Sentinel-5P verilerinin doğruluğu üzerindeki etkisi, performans değişikliklerinde önemli bir rol oynamaktadır. Özellik önemi analizleri, model tahminlerinde en etkili parametrelerin vejetasyon, Sentinel-5P verileri, albedo ve yükselti olduğunu göstermiştir. Bu çalışma, mevcut ölçüm ağlarının kısıtlı olduğu bölgelerde NO2 konsantrasyonlarının güvenilir şekilde tahmin edilmesine yönelik yenilikçi bir yaklaşım sunarak, hava kirliliği ile mücadelede karar alıcılar için önemli bir katkı sağlamaktadır. Gelecekte Türkiye genelinde gerçekleştirilecek geniş kapsamlı modelleme çalışmaları ile diğer hava kirleticilerinin tahminine yönelik uygulamaların, hava kirliliği analitiği ve çevresel politika geliştirme süreçlerine önemli katkılar sağlaması öngörülmektedir.

Makale detayları

Estimation of Hourly NO2 Concentrations in İzmir’s Atmosphere Using Sentinel-5P Satellite Data and a Machine Learning Approach

Yazarlar:

Efem Bilgiç | Tolga Elbir

Yayıncı:

Zonguldak Bulent Ecevit University

Ana Başlıklar:

Hava Kirliliği Modellemesi ve Kontrolü

Dergi:

Karaelmas Fen ve Mühendislik Dergisi Vol.15 Issue 1, pp.175-194

Belge Tipi:

Makale

Yayın Tarihi:

4/2025

Belge Dili:

Türkçe

Document ID (Org No.):

2001345572

pISSN:

2146-7277

Air quality prediction

İzmir

Machine learning

NO2

Sentinel-5PHava kalitesi tahmini

İzmir

Makine öğrenmesi

NO2

Sentinel-5P

Sayı

Makale detayları

Yazarlar: Efem Bilgiç | Tolga Elbir

Yayıncı: Zonguldak Bulent Ecevit University

Ana Başlıklar: Hava Kirliliği Modellemesi ve Kontrolü

Dergi: Karaelmas Fen ve Mühendislik Dergisi Vol.15 Issue 1, pp.175-194

Belge Tipi: Makale

Yayın Tarihi: 4/2025

Belge Dili: Türkçe

Document ID (Org No.): 2001345572

pISSN: 2146-7277

Sayı

Yazarlar:

Efem Bilgiç | Tolga Elbir

Yayıncı:

Zonguldak Bulent Ecevit University

Ana Başlıklar:

Hava Kirliliği Modellemesi ve Kontrolü

Dergi:

Karaelmas Fen ve Mühendislik Dergisi Vol.15 Issue 1, pp.175-194

Belge Tipi:

Makale

Yayın Tarihi:

4/2025

Belge Dili:

Türkçe

Document ID (Org No.):

2001345572

pISSN:

2146-7277