Akademik Veri Yönetim Sistemi
8.INTERNATIONAL ANATOLIAN SCIENTIFIC RESEARCH CONGRESS, Hakkari, Türkiye, 24 - 26 Nisan 2026, ss.227-228, (Özet Bildiri)
Yapay zeka (YZ) ve makine öğrenmesi (MÖ) teknolojilerinin çevre mühendisliği alanında uygulanması, son yıllarda hızla gelişen disiplinlerarası bir araştırma alanı haline gelmiştir. Nüfus artışı, kentleşme ve iklim değişikliğinin baskısı altında giderek karmaşıklaşan çevresel sorunların çözümünde, geleneksel mekanistik ve istatistiksel yöntemlerin yetersiz kaldığı durumlarda YZ tabanlı yaklaşımlar belirleyici bir rol üstlenmektedir (Reichstein et al., 2019; Shen, 2018). Bu çalışma, çevre mühendisliğinin dört temel alt disiplininde (su, hava, toprak ve katı atık yönetimi) güncel YZ ve MÖ uygulamalarını sistematik bir literatür taraması yöntemiyle kapsamlı biçimde değerlendirmekte; algoritma seçimi, model performansı ve uygulama ölçeği açısından karşılaştırmalı bir çerçeve sunmaktadır.
Su yönetimi, YZ uygulamalarının en yoğun biçimde araştırıldığı çevre mühendisliği alanlarından biridir. 2000–2020 yılları arasındaki literatür üzerine yapılan kapsamlı bir derleme çalışması; yapay sinir ağları (YSA), destek vektör makineleri (SVM), uyarlamalı nöro-bulanık çıkarım sistemi (ANFIS), rastgele orman (RF) ve karar ağacı (DT) gibi modellerin nehir suyu kalitesi parametrelerinin tahmininde etkin biçimde kullanıldığını ortaya koymuştur (Tiyasha et al., 2020). Buna ek olarak, 45 farklı MÖ algoritmasının yüzey suyu, yer altı suyu, içme suyu ve atık su gibi farklı su ortamlarındaki kalite değerlendirmesine uygulandığı görülmüş; algoritma performanslarının parametreye ve veri yapısına göre önemli ölçüde farklılaştığı belirlenmiştir (Zhu et al., 2022). Yer altı suyu dinamiklerinin simülasyonunda ise çok katmanlı algılayıcı (MLP), radyal tabanlı fonksiyon ağı (RBF) ve SVM gibi MÖ modellerinin geleneksel sayısal modellerden belirgin biçimde daha yüksek doğruluk sergilediği kanıtlanmıştır (Chen et al., 2020). Hava kalitesi izleme alanında YSA tabanlı modeller; PM2,5, PM10, NOx ve O3 gibi kirleticilerin konsantrasyon tahmininde yaygın biçimde kullanılmaktadır. Farklı mimari tasarımlar, girdi değişkeni kombinasyonları ve eğitim stratejilerinin model doğruluğu üzerindeki etkisini inceleyen geniş kapsamlı bir derleme çalışması, bu alanda en başarılı yaklaşımları sistematik olarak ortaya koymuştur (Cabaneros et al., 2019). Derin öğrenme mimarilerinin kirletici tahminine entegrasyonu, mekânsal ve zamansal bağımlılıkların eş zamanlı modellenmesine olanak sağlamakta; meteorolojik değişkenlerle hibrit modellerin oluşturulması tahmin doğruluğunu önemli ölçüde artırmaktadır (Reichstein et al., 2019). Toprak yönetimi alanında RF ve XGBoost gibi topluluk öğrenme algoritmaları, ağır metal kirliliğinin mekânsal haritalanmasında, organik karbon içeriğinin tahmininde ve arazi kullanımı sınıflandırmasında etkin biçimde kullanılmaktadır. MÖ yöntemlerinin uydu görüntüleme verileriyle bütünleştirilmesi, geniş coğrafi alanlarda toprak özelliklerinin yüksek çözünürlüklü olarak izlenmesini mümkün kılmaktadır. Ayrıca kaynak tayini çalışmalarında MÖ algoritmalarını geleneksel istatistiksel yöntemlerle harmanlayan hibrit yaklaşımlar, kirlilik kaynaklarının tespit doğruluğunu artırmaktadır (Wadoux et al., 2020).
Katı atık yönetiminde ise YZ tabanlı modeller; 2004–2019 yılları arasındaki 85 araştırma çalışmasını kapsayan sistematik bir derlemeye göre atık karakteristiklerinin tahmininde, çöp kutusu doluluk düzeyinin tespitinde, arıtma süreçlerinin optimizasyonunda, araç güzergah planlamasında ve katı atık yönetim sistemlerinin bütünsel planlanmasında kullanılmaktadır (Abdallah et al., 2020). Tüm bu alt disiplinler genelinde veri odaklı modellerin mekanistik modellerle entegrasyonundan doğan fizik-bilgilendirilmiş YZ (Physics-Informed AI) ve açıklanabilir YZ (Explainable AI, XAI) yaklaşımları, çevre yönetim sistemlerinde karar destek kapasitesini ve model şeffaflığını artırmanın önde gelen yolları olarak öne çıkmaktadır (Arashpour, 2023). Etiketlenmiş veri yetersizliği, model genelleştirilebilirliği ve gerçek zamanlı uygulamada karşılaşılan hesaplama yükü gibi mevcut kısıtlamalar tartışılmakta; gelecekteki araştırma öncelikleri belirlenmektedir.
The application of artificial intelligence (AI) and machine learning (ML) technologies in environmental engineering has rapidly evolved into a fast-growing interdisciplinary research domain. Under the compounding pressures of population growth, urbanization, and climate change, AI-based approaches are playing an increasingly decisive role in addressing environmental problems where traditional mechanistic and statistical methods fall short (Reichstein et al., 2019; Shen, 2018). This study systematically reviews current AI and ML applications across the four core sub-disciplines of environmental engineering — water, air, soil, and solid waste management — through a comprehensive literature survey, and presents a comparative framework covering algorithm selection, model performance, and application scale.
Water management is one of the most intensively studied domains for AI applications in environmental engineering. A comprehensive survey of the literature from 2000 to 2020 demonstrated that artificial neural networks (ANN), support vector machines (SVM), adaptive neuro-fuzzy inference systems (ANFIS), random forests (RF), and decision trees (DT) have been effectively applied to predict river water quality parameters (Tiyasha et al., 2020). Furthermore, a systematic review evaluating 45 ML algorithms across different water environments — including surface water, groundwater, drinking water, and wastewater — found that algorithm performance varies considerably depending on the target parameter and data structure (Zhu et al., 2022). In the simulation of groundwater dynamics, ML models including multi-layer perceptron (MLP), radial basis function network (RBF), and SVM have been shown to achieve markedly higher accuracy than traditional numerical models (Chen et al., 2020). Deep learning architectures enabling simultaneous capture of spatial and temporal dependencies, along with their integration with physicochemical process knowledge, represent active frontiers in water resources modelling (Shen, 2018). In air quality monitoring, ANN-based models are widely applied to forecast concentrations of pollutants such as PM2.5, PM10, NOx, and O3. A comprehensive review examining different architectural designs, input variable combinations, and training strategies systematically identified the most successful approaches in this domain (Cabaneros et al., 2019). The integration of deep learning architectures enables simultaneous modelling of spatial and temporal dependencies, while hybrid models combining meteorological variables substantially improve forecast accuracy (Reichstein et al., 2019). In soil management, ensemble learning algorithms such as RF and XGBoost are effectively applied to spatial mapping of heavy metal contamination, prediction of organic carbon content, and land-use classification. Integrating ML methods with satellite imagery enables high-resolution monitoring of soil properties over large geographic areas. Furthermore, hybrid approaches combining ML algorithms with conventional statistical methods such as positive matrix factorization (PMF) further improve the accuracy of pollution source identification (Zheng et al., 2023). In solid waste management, a systematic review encompassing 85 studies published between 2004 and 2019 found that AI-based models are employed for forecasting waste characteristics, detecting waste bin fill levels, optimizing treatment process parameters, planning vehicle routing, and supporting integrated solid waste management planning (Abdallah et al., 2020). Across all sub-disciplines, hybrid approaches arising from the integration of data-driven models with mechanistic models (Reichstein et al., 2019), as well as Explainable AI (XAI) strategies, are emerging as leading approaches for enhancing decision-support capacity and model transparency in environmental management systems (Arashpour, 2023). Current limitations including data scarcity, model generalizability, and the computational burden of real-time deployment are discussed, and future research priorities are identified.