Particulate matter (PM) pollution has become a pressing concern due to its detrimental effects on human health and the environment. Understanding the relationship between PM and meteorological parameters, as well as the impact of traffic, is crucial for effective pollution control strategies. This thesis aims to analyze these relationships by employing an Ordinary Least Squares (OLS) regression model for PM1.0, PM2.5, and PM10 concentrations. A comprehensive dataset of PM measurements, meteorological data, and traffic-related variables is collected from various monitoring stations over a specific time period. Meteorological parameters such as temperature and wind speed, are obtained from corresponding meteorological stations, while traffic data includes vehicle counts and road characteristics. The initial analysis reveals significant associations between PM concentrations, meteorological parameters, and traffic impact. The OLS regression model is used to investigate the individual and combined effects of meteorological variables and traffic on PM levels. The results show that temperature, highway traffic and wind speed changes the PM concentrations, indicating that higher temperatures and traffic contribute to increased PM1.0, PM2.5, and PM10 levels. Wind speed demonstrates a negative correlation, suggesting that higher wind speeds are associated with lower PM concentrations due to dispersion effects. Furthermore, the model reveals that traffic-related variables, significantly influence PM pollution, with increased traffic leading to higher PM concentrations. The findings of this study provide valuable insights into the complex relationships between PM pollution, meteorological parameters, and traffic impact. These finding can assist policymakers and environmental agencies in formulating targeted measures to mitigate PM pollution, such as implementing traffic management strategies and improving urban planning. Moreover, the OLS regression model developed in this study can serve as a useful tool for predicting PM levels based on meteorological conditions and traffic patterns, facilitating proactive pollution control efforts.

Partikül madde (PM) kirliliği, insan sağlığı ve çevre üzerindeki zararlı etkilerinden dolayı acil bir endişe haline geldi. PM ve meteorolojik parametreler arasındaki ilişkinin yanı sıra trafiğin etkisini anlamak, etkili kirlilik kontrol stratejileri için çok önemlidir. Bu tez, PM1, PM2.5 ve PM10 konsantrasyonları için Sıradan En Küçük Kareler (OLS) regresyon modelini kullanarak bu ilişkileri analiz etmeyi amaçlamaktadır. Belirli bir süre boyunca çeşitli izleme istasyonlarından PM ölçümleri, meteorolojik veriler ve trafikle ilgili değişkenlerden oluşan kapsamlı bir veri seti toplanır. Sıcaklık ve rüzgar hızı gibi meteorolojik parametreler ilgili meteoroloji istasyonlarından elde edilirken, trafik verileri araç sayıları ve yol özelliklerini içerir. İlk analiz, PM konsantrasyonları, meteorolojik parametreler ve trafik etkisi arasındaki önemli ilişkileri ortaya koymaktadır. OLS regresyon modeli, meteorolojik değişkenlerin ve trafiğin PM seviyeleri üzerindeki bireysel ve birleşik etkilerini araştırmak için kullanılır. Sonuçlar, sıcaklık, karayolu trafiği ve rüzgar hızının PM konsantrasyonlarını değiştirdiğini ve daha yüksek sıcaklıkların ve trafiğin artan PM1, PM2.5 ve PM10 seviyelerine katkıda bulunduğunu göstermektedir. Rüzgar hızı negatif bir korelasyon gösterir, bu da daha yüksek rüzgar hızlarının dağılım etkilerinden dolayı daha düşük PM konsantrasyonları ile ilişkili olduğunu düşündürür. Ayrıca, model trafikle ilgili değişkenlerin PM kirliliğini önemli ölçüde etkilediğini ve artan trafiğin daha yüksek PM konsantrasyonlarına yol açtığını ortaya koymaktadır. Bu çalışmanın bulguları, PM kirliliği, meteorolojik parametreler ve trafik etkisi arasındaki karmaşık ilişkiler hakkında değerli bilgiler sağlar. Bu bulgular, trafik yönetimi stratejilerinin uygulanması ve kentsel planlamanın iyileştirilmesi gibi PM kirliliğini azaltmak için hedeflenen önlemlerin formüle edilmesinde politika yapıcılara ve çevre kuruluşlarına yardımcı olabilir. Ayrıca, bu çalışmada geliştirilen OLS regresyon modeli, meteorolojik koşullara ve trafik modellerine dayalı PM seviyelerini tahmin etmek için yararlı bir araç olarak hizmet edebilir ve proaktif kirlilik kontrol çabalarını kolaylaştırır.