Bayburt ili umumi çeşmelerinin su kalitesinin makine öğrenmesi yöntemleri ile tahmini
Küçük Resim Yok
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Bayburt Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Mavi altın olarak da anılan suyun içeriği, canlıların yaşamlarını, hayat kalitelerini ve sağlıklarını büyük oranda etkilemektedir. Suyun içerisinde bulunan her bir maddenin canlı hayatı üzerinde iyi veya kötü etkisi bulunmaktadır. Suyun içerisinde yer alan maddeler kadar madde miktarı da önemlidir. Bu bakımdan Dünya Sağlık Örgütü (WHO) su kalitesine ilişkin çalışmalar yaparak içerisinde bulunan maddeler ve miktarı ile ilgili kılavuz hazırlamıştır. Türkiye'de de bu yönde çalışmalar yapılmış 2005 yılında İnsani Amaçlı Sular Hakkında Yönetmelik ile standartlarını belirlemiştir. Teknolojinin gelişmesiyle birlikte yapay zekâ su kalitesi çalışmalarında da kullanılmaya başlanmış ve makine öğrenme yöntemleriyle su kalitesi tahminlerinde bulunulmuştur. Bu çalışmada, Bayburt ilinde yer alan şebeke sularının mikrobiyolojik ve kimyasal su analiz verileri ile Bayburt ili umumî çeşmelerine ait mikrobiyolojik su analiz verileri kullanılarak makine öğrenme yöntemleriyle su kalitesi tahmininde bulunulmuştur. İlk olarak veriler üzerinde önişlem uygulanarak veriler makine öğrenimine hazır hale getirilmiş, daha sonra makine öğrenimi yöntemlerinden lojistik regreyon, knn, SVM, naive bayes, karar ağacı, rastgele orman makine öğrenme yöntemleri ile su kalitesi tahmin çalışmaları yapılmıştır. Bayburt şebeke suları analizi verileri kullanılarak yapılan makine öğrenme yöntemlerinde en uygun yöntemin karar ağacı yöntemi olduğu, Bayburt umumî çeşme suları analizi verileri kullanılarak yapılan makine öğrenme yöntemlerinde ise naive bayes, rastgele orman ve karar ağacı yöntemlerine ait sonuçların aynı olması dolayısıyla her üç yöntemin de kullanılabilir olduğu sonucuna varılmıştır. Su kalitesi tahmin çalışmalarında specificity değerinin önemli olduğu ve model değerlendirmesinde kullanılması gerektiği sonucuna varılmıştır.
Water, often referred to as "blue gold," plays a critical role in influencing the survival, quality of life, and health of living organisms. The presence and quantity of substances within water can have either beneficial or detrimental effects on life. In this regard, the World Health Organization (WHO) has conducted studies on water quality, developing guidelines that specify the permissible substances and their concentrations. In Turkey, similar efforts have been undertaken, with standards established through the 2005 Regulation on Water Intended for Human Consumption. With advancements in technology, artificial intelligence has increasingly been employed in water quality studies, utilizing machine learning techniques to predict water quality. This study focuses on predicting water quality in Bayburt province using machine learning methods, based on microbiological and chemical water analysis data from the city's mains water supply, as well as microbiological water analysis data from public fountains in Bayburt. Initially, the data underwent preprocessing to ensure compatibility with machine learning applications. Subsequently, water quality predictions were performed using various machine learning methods, including logistic regression, k nearest neighbors (knn), support vector machines (svm), naive bayes, decision trees, and random forests. The results indicated that, for the mains water analysis data of Bayburt, the decision tree method was the most suitable. In contrast, for the public fountain water analysis data, naive bayes, random forest, and decision tree methods yielded identical results, suggesting that all three methods are equally viable. The study further concluded that specificity is a crucial metric in water quality prediction studies and should be incorporated into model evaluation processes.
Water, often referred to as "blue gold," plays a critical role in influencing the survival, quality of life, and health of living organisms. The presence and quantity of substances within water can have either beneficial or detrimental effects on life. In this regard, the World Health Organization (WHO) has conducted studies on water quality, developing guidelines that specify the permissible substances and their concentrations. In Turkey, similar efforts have been undertaken, with standards established through the 2005 Regulation on Water Intended for Human Consumption. With advancements in technology, artificial intelligence has increasingly been employed in water quality studies, utilizing machine learning techniques to predict water quality. This study focuses on predicting water quality in Bayburt province using machine learning methods, based on microbiological and chemical water analysis data from the city's mains water supply, as well as microbiological water analysis data from public fountains in Bayburt. Initially, the data underwent preprocessing to ensure compatibility with machine learning applications. Subsequently, water quality predictions were performed using various machine learning methods, including logistic regression, k nearest neighbors (knn), support vector machines (svm), naive bayes, decision trees, and random forests. The results indicated that, for the mains water analysis data of Bayburt, the decision tree method was the most suitable. In contrast, for the public fountain water analysis data, naive bayes, random forest, and decision tree methods yielded identical results, suggesting that all three methods are equally viable. The study further concluded that specificity is a crucial metric in water quality prediction studies and should be incorporated into model evaluation processes.
Açıklama
Anahtar Kelimeler
İnşaat Mühendisliği, Civil Engineering
