Anlatı derlemesi incelemesi
DOI: 10.3389/fenvs.2024.1336088Çevre Kirliliği İzleme ve Yönetiminde Yapay Zekâ ve Nesnelerin İnterneti Tabanlı Teknolojiler
Çevre kirliliği, ağır metaller, pestisitler, kalıcı organik kirleticiler ve mikroplastikler gibi tehlikeli maddelerin ekosistemler ve insan sağlığı üzerindeki olumsuz etkileri nedeniyle küresel ölçekte kritik bir alan teşkil etmektedir.
Makalenin anahtar kelimeleri
- Yazar
- Simona Mariana Popescu et al.
- Yayın
- Frontiers in Environmental Science
- Tarih
- 2024-02-20
Makalenin Kapsamı ve Akademik İçeriği
Çevresel kirlilik ve tehlikeli maddelerin kontrolü, modern çevre bilimlerinin en acil çözüm bekleyen konularından biridir. Sanayileşme, tarımsal faaliyetler ve kontrolsüz atık yönetimi sonuçunda toprak, hava ve su ortamlarına yayılan ağır metaller, pestisitler ve mikroplastikler hem ekosistem dengesini bozmakta hem de insan sağlığı üzerinde kronik tehditler oluşturmaktadır. Geleneksel çevresel izleme yaklaşımları, numunelerin fiziksel olarak toplanması ve laboratuvar ortamında analiz edilmesine dayandığı için zaman alıcı, yüksek maliyetli ve geniş ölçekli anlık takibe elverişsiz kalmaktadır. Dinamik çevresel değişkenlerin öngörülmesi ve kirlilik kaynaklarına anında müdahale edilmesi gereksinimi, yapay zekâ ve dijital teknolojilerin çevre izleme süreçlerine entegrasyonunu zorunlu kılmaktadır.
Bu derleme çalışması, Web of Science Core Collections veri tabanında geniş kapsamlı bir literatür taraması yürütülerek kurgulanmıştır. 'Yapay zekâ', 'Nesnelerin İnterneti', 'makine öğrenmesi', 'derin öğrenme', 'elektronik burun' ve 'tehlikeli maddeler' gibi temel arama parametreleriyle ulaşılan 2828 yayın, VOSviewer yazılımı aracılığıyla görselleştirilmiş ve konu kümelerine ayrılmıştır. Çalışma yöntemsel olarak kirlilik izleme süreçlerini veri girdileri, yapay zekâ modelleme algoritmaları ve karar destek çıktıları olmak üzere üç ana aşamada sınıflandırmaktadır. İnceleme; spektroskopi, yer tabanlı sensör ağları, insansız hava araçları (İHA), kara robotları ve uydu uzaktan algılama teknolojilerinin toprak, hava ve su kirliliği izleme alanındaki uygulamalarını bütüncül bir yaklaşımla ele almaktadır.
İncelenen literatür bulguları, yapay zekâ destekli sensör sistemlerinin geleneksel yöntemlere kıyasla daha yüksek doğruluk, hız ve verimlilik sağladığını göstermektedir. Görünür ve yakın kızılötesi spektroskopisi ile Extreme Gradient Boosting (XGBoost) ve yapay sınır ağları birleşimi, toprak ve çökellerdeki ağır metal birikimini yüksek hassasiyetle tahmin etmektedir. Hava kalitesi takibinde elektronik burun (E-nose) teknolojisi ile entegre edilmiş Yapay Alg Algoritması ve Elman Sınır Ağı modelleri, zararlı gaz sızıntılarını ve partikül madde seviyelerini gerçek zamanlı olarak sınıflandırabilmektedir. İnsansız hava araçları ve kara robotları ise zararlı gaz bulutlarının sınırlarını belirleme, sızıntı kaynağını tespit etme ve tehlikeli alanlarda insan müdahalesiz temizlik yürütme olanağı sunmaktadır.
Çalışmanın tartışma ve sonuç bölümlerinde, yapay zekâ tabanlı kirlilik izleme sistemlerinin entegrasyonuyla elde edilen kazanımların yanı sıra teknik ve etik sınırlılıklara dikkat çekilmektedir. Yüksek işlem gücü ihtiyacı, veri gizliliği, karmaşık modellerin açıklanabilirliği ve gelişmekte olan ülkelerdeki altyapı yetersizlikleri temel engel alanları olarak öne çıkmaktadır. Bununla birlikte, blokzincir ve uç hesaplama gibi yeni nesil teknolojilerin eklemlenmesiyle yapay zekâ odaklı erken uyarı sistemlerinin çevresel güvenlik planlamalarında merkezî bir rol oynayacağı öngörülmektedir. Bu çalışma, çevre mühendisliği ve yapay zekâ araştırmacıları için saha uygulamalarına aktarılabilecek somut teknoloji altyapıları sunması bakımından literatürde önemli bir referans kaynağı oluşturmaktadır.
Araştırmanın amacı
Bu çalışmanın temel amacı, toprak, hava ve su ortamlarında tehlikeli maddelerin gerçek zamanlı tespiti, izlenmesi ve kirlilik yönetimi amacıyla kullanılan yapay zekâ, sensör ve Nesnelerin İnterneti tabanlı güncel teknolojileri, yöntemsel yaklaşımları ve karşılaşılan temel zorlukları kapsamlı bir biçimde incelemektir(Popescu et al., 2024).
İnceleme ve modelleme yöntemi
Çalışma, Web of Science Core Collections veritabanı üzerinden belirlenen anahtar kelime dizilimleriyle gerçekleştirilen sistematik literatür taramasına dayanan nitel bir derleme ve sentez çalışmasıdır(Popescu et al., 2024).
Kuramsal ve kavramsal çerçeve
Çalışma, veri toplama (sensörler, uydu ve hava görüntüleri), yapay zekâ tabanlı veri işleme (makine öğrenmesi, derin öğrenme, yapay sınır ağları) ve karar destek çıktılarından (erken uyarı, kirlilik haritalama, otomatik müdahale) oluşan üç aşamalı Akıllı Çevre İzleme Çerçevesine dayanmaktadır.
Makalenin ele aldığı literatür
Web of Science Core Collections veri tabanında yapay zekâ, Nesnelerin İnterneti, elektronik burun, insansız hava araçları ve spektroskopi alanlarındaki 2828 akademik yayın incelenmiş; VOSviewer yazılımı kullanılarak anahtar kelime eş-oluşum ağları ve araştırma kümeleri çözümlenmiştir.
Araştırmanın Bulguları
Elektronik burun teknolojileri, koku moleküllerini ve tehlikeli kimyasalları kendilerine özgü kimyasal imzalar üzerinden gerçek zamanlı olarak tespit ederek acil müdahale olanağı sunmaktadır(Popescu et al., 2024).
Uzaktan algılama ve havadan görüntüleme sistemlerinin makine öğrenmesi modelleriyle entegrasyonu, geleneksel jeo-istatistiksel yöntemlerin ötesinde yüksek doğruluklu kirlilik haritaları oluşturmaktadır(Popescu et al., 2024).
Endüstriyel tesislerde ve üretim alanlarında tehlikeli madde sızıntılarının yapay zekâ destekli sensörlerle takibi, çalışan güvenliğini artırmakta ve kaza risklerini minimalize etmektedir(Popescu et al., 2024).
Yapay zekâ ve IoT tabanlı izleme platformları, kirlilik kaynaklarının konumunu ve yayılım dinamiklerini saha düzeyinde anlık olarak belirleme kabiliyetine sahiptir(Popescu et al., 2024).
Bulguların Tartışılması ve Araştırmanın Sonucu
Bulguların Yazarlar Tarafından Yorumlanışı
İncelenen derleme çalışması, yapay zekâ ve Nesnelerin İnterneti entegrasyonunun hava, toprak ve su ortamlarındaki tehlikeli maddelerin izlenmesinde sunduğu yöntemsel dönüşümü ve yüksek hassasiyetli tespit imkânlarını ortaya koymaktadır.
Yazarlar, geleneksel laboratuvar analizlerinin zaman ve iş gücü maliyetlerini vurgulayarak; sensör dizilimi, insansız hava araçları ve makine öğrenmesi modellerinin bir arada kullanımının anlık kirlilik tespiti ve erken uyarı sistemlerinde belirleyici olduğunu açıklıkla ifade etmektedirler.
Tartışma bölümünde literatürdeki mevcut çalışmalarla kurulan ilişkiler, yapay zekâ modellerinin klasik jeo-istatistiksel yöntemlere kıyasla daha yüksek kestirim başarısı sunduğunu ve endüstriyel tesis güvenliğinde insani hataları en aza indirdiğini doğrulamaktadır.
Sonuç olarak, yapay zekâ tabanlı çevresel izleme teknolojilerinin yaygınlaşması için model açıklanabilirliği, heterojen veri entegrasyonu ve siber güvenlik standartlarının geliştirilmesi gerekliliği açık bir araştırma gündemi olarak sunulmaktadır.
Bulguların Önceki Araştırmalarla Karşılaştırılması
İncelenen çalışmada, Jia ve arkadaşlarının (2021) insansız hava aracı görüntüleri ile Extreme Random Forest algoritmasını birleştirerek toprak arsenik seviyelerini tahmin eden modeli değerlendirilmiş ve yapay zekâ entegrasyonunun geleneksel jeo-istatistiksel haritalamaya kıyasla mekânsal doğruluk ve sürekli veri üretimi bakımından belirgin üstünlük sağladığı gösterilmiştir(Popescu et al., 2024).
Sonuç Bölümünün Sunduğu Çıkarımlar
Çalışmanın sonuç bölümünde, yapay zekâ ve Nesnelerin İnterneti tabanlı sensörlerin çevresel tehditleri tespit etme ve yanıtlama biçimini kökten değiştirme potansiyeline sahip olduğu vurgulanmaktadır. Bu teknolojilerin sunduğu gerçek zamanlı veri işleme ve erken uyarı kabiliyeti iş sağlığı ve çevre koruma alanlarında kritik avantajlar getirmekle birlikte, sensör güvenilirliği, veri paylaşım standartları ve karmaşık çevresel dinamiklere uyum gibi temel zorlukların aşılması gerektiği ifade edilmektedir(Popescu et al., 2024).
Literatür Taraması İçin Sunduğu Çerçeve
Popescu ve meslektaşları tarafından kaleme alınan bu kapsamlı derleme çalışması, çevre bilimleri ile ileri bilişim teknolojilerinin ara kesitinde konumlanmaktadır. Geleneksel çevresel izleme yöntemlerinin yüksek maliyet, zaman kaybı ve statik veri sunma gibi kısıtlılıklarını aşmak üzere yapay zekâ ve Nesnelerin İnterneti (IoT) tabanlı entegre çözümlerin güncel durumunu sistematik bir yaklaşımla ortaya koymaktadır. Çalışma, akademik literatürde dağınık halde bulunan spektroskopi, insansız hava araçları (İHA), yer robotları ve uzaktan algılama uygulamalarını tek bir bütüncül çerçevede birleştirerek, araştırmacılara ve karar vericilere çok disiplinli bir yol haritası sunma işlevi görmektedir.
Çalışma, kendisinden önce yapılan ve genellikle tek bir kirletici türüne ya da kısıtlı bir izleme ortamına odaklanan araştırmaları genişleterek bütüncül bir sentez sunar. Geleneksel toprak haritalama, laboratuvar tabanlı su analizleri ve sınırlı hava kalitesi ölçümlerini ele alan literatürü temel alarak; bu alanlardaki veri boşluklarının makine öğrenmesi algoritmaları, e-burun teknolojileri ve otonom sistemlerle nasıl kapatılabileceğini kuramsal ve uygulamalı yönleriyle inceler. Özellikle yapay sınır ağları, destek vektör makineleri ve derin öğrenme modellerinin spektroskopik verilerle birleştirilmesine yönelik geçmiş çalışmaları refere ederek, teknolojinin olgunlaşma düzeyini değerlendirir.
Bu derleme makalesi, özellikle gelişmekte olan akıllı çevre izleme literatürüne çok boyutlu bir taksonomi kazandırmaktadır. Yalnızca teorik yaklaşımları listelemekle kalmayıp, toprak kirliliği, su kalitesi kontrolü ve hava kirliliği tespiti gibi farklı alanlardaki yapay zekâ uygulamalarını somut donanım ve yazılım bileşenleriyle (örneğin Arduino tabanlı sistemler, Raspberry Pi, MOX gaz sensörleri) birlikte analiz etmektedir. Çalışma ayrıca endüstriyel çalışan güvenliği, otonom sızıntı tespiti ve afet sonrası acil müdahale gibi pratik güvenlik senaryolarını birleştirerek kirlilik yönetiminin operasyonel boyutuna da önemli katkılar sağlamaktadır.
Kaynakça
- Jia, X., Cao, Y., O'Connor, D., Zhu, J., Tsang, D. C., Zou, B., & Hou, D. (2021). Mapping soil pollution by using drone image recognition and machine learning at an arsenic-contaminated agricultural field. Environmental Pollution, 270, 116281. https://doi.org/10.1016/j.envpol.2020.116281
Tez ve Makale Araştırmalarında Kullanım
Makalenin doğrulanmış yöntemi, bulguları ve kuramsal çerçevesi; tez ve makale çalışmalarında kullanılacağı bölümle birlikte aşağıdaki üç araştırma taslağına dönüştürülmüştür.
Tez veya makalede kullanım · literatüre-review
Akıllı sensör dizilimleri ve yapay zekâ, kirlilik tespitinde geleneksel laboratuvar yöntemlerine göre daha hızlı ve ekonomik veri sağlama kapasitesine sahiptir.
Tez yazarı, geleneksel çevresel analizlerin zaman ve maliyet sınırlılıklarını tartışırken, bu makalenin sunduğu akıllı sensör ve yapay zekâ entegrasyonunun avantajlarını kanıt olarak gösterebilir(Popescu et al., 2024).
Tarım Topraklarında Ağır Metal Kirliliğinin İHA ve Aşırı Rastgele Orman (ERF) Algoritması ile Mekansal Tahmini
- Araştırma sorusu
- Yüksek çözünürlüklü havadan görüntüleme (HRAI) verileri ile Aşırı Rastgele Orman (ERF) algoritmasının entegrasyonu, tarım topraklarındaki arsenik ve kurşun dağılımını ne derece isabetle haritalayabilir?
- Yöntem taslağı
- Belirli bir tarım havzasından sistematik örnekleme yöntemiyle toprak örnekleri toplanacak (örneklem büyüklüğü güç analiziyle belirlenecektir). Aynı bölgenin İHA ile yüksek çözünürlüklü görüntüleri alınacak, laboratuvarda tespit edilen kimyasal değerler ile görüntü piksel özellikleri ERF ve diğer makine öğrenmesi modelleriyle eğitilerek karşılaştırmalı regresyon analizi yapılacaktır.
Makaleyle bağlantısı: Makalenin 4. sayfasında belirtilen Jia ve ark. (2021) çalışmasında ERF algoritmasının toprak arsenik seviyelerini tahmin etmedeki yüksek başarısı ve makine öğrenmesiyle havadan görüntüleme entegrasyonunun yüksek doğruluklu harita sağlama potansiyelinden türetilmiştir(Popescu et al., 2024).
Tez veya makalede kullanım · Kavramsal çerçeve
Uzaktan algılama ve insansız hava araçlarından elde edilen yüksek çözünürlüklü mekansal verilerin makine öğrenmesi modelleriyle birleştirilmesi, çevresel kirleticilerin dağılımını yüksek doğrulukla haritalandırmaktadır.
Araştırmacılar, mekansal kirlilik haritalama çalışmalarında klasik istatistiksel tekniklerin ötesine geçerek makine öğrenmesinin sağladığı doğrusal olmayan tahmin başarısını temellendirmek için bu kaynağı kullanabilir(Popescu et al., 2024).
Hava Kalitesi İzlemede Düşük Maliyetli MQ Sensör Dizilimi ile Yapay Sınır Ağlarının Kalibrasyonu ve Güvenilirliği
- Araştırma sorusu
- Düşük maliyetli gaz sensörleri (MQ2, MQ5, MQ135) ve yapay sınır ağları kullanılarak geliştirilen anlık hava kalitesi izleme prototipinin, endüstriyel standarttaki referans istasyon ölçümleriyle uyumluluğu nedir?
- Yöntem taslağı
- Bir sanayi bölgesine yakın otonom istasyon kurulacaktır. İstasyon, MQ gaz sensörleri ve DHT sıcaklık/nem sensörlerinden veri toplayacaktır (veri doygunluğuna ulaşıncaya dek sürekli ölçüm). Elde edilen veri seti, SVM ve Çok Katmanlı Algılayıcı (MLP) modelleriyle eğitilecek ve doğruluğu referans hava izleme istasyonu verileriyle regresyon analizleri üzerinden test edilecektir.
Makaleyle bağlantısı: Makalenin 5. sayfasında değinilen Amado ve Cruz (2018) çalışmasının hava kalitesini izlemede k-en yakın komşuluk, SVM ve sınır ağları gibi modellerle %99 doğruluğa ulaşan metodolojik yaklaşımına ve düşük maliyetli sensörlerin kalibrasyon ihtiyacına dayanmaktadır(Popescu et al., 2024).
Tez veya makalede kullanım · Tartışma
Endüstriyel tesislerde tehlikeli gaz sızıntılarının ve kirlilik yayılımının otonom hava ve yer otonom araçlarıyla tespiti çalışan sağlığını korumada kritik öneme sahiptir.
Çalışan güvenliği ve iş sağlığı üzerine kurgulanan araştırmalarda, otonom sistemlerin (İHA ve yer robotları) tehlikeli ortamlardaki insan müdahalesi ihtiyacını azaltma potansiyelini desteklemek için kullanılabilir(Popescu et al., 2024).
Otonom Yer Robotu ve Metal Oksit Sensörleri ile Kapalı Endüstriyel Alanlarda Gaz Sızıntısı Kaynağının Lokalizasyonu
- Araştırma sorusu
- Mobil bir yer robotuna entegre edilmiş çoklu MOX gaz sensör dizilimi (e-burun), kapalı bir depolama alanındaki anlık gaz sızıntı kaynağını hangi yönelim ve lokalizasyon algoritmalarıyla en kısa sürede tespit edebilir?
- Yöntem taslağı
- Laboratuvar düzeyinde kontrollü bir rüzgâr tüneli veya kapalı depo simülasyon odası tasarlanacaktır. İki farklı otonom yer robotu, gaz dağılım haritalama ve kaynak lokalizasyon algoritmalarıyla (örneğin parçacık filtresi veya bulanık mantık) donatılacak, sızıntı kaynağını tespit etme süreleri ve rota verimlilikleri deneysel olarak karşılaştırılacaktır.
Makaleyle bağlantısı: Makalenin 6. ve 8. sayfalarında açıklanan Wandel ve ark. (2003) ile Palacín ve ark. (2019) çalışmalarındaki otonom robotların ve e-burun dizilimlerinin kapalı ortamlarda gaz kaynağını bulma ve sızıntı tespitindeki işlevsel rollerinden yola çıkılarak kurgulanmıştır(Popescu et al., 2024).