Günümüzde hızlı kentleşme ve beraberindeki nüfus artışları yerleşim alanlarında gürültü artışına neden olmaktadır. Yapılan değerlendirmelerle, kent yaşamında, ulaşım kaynaklı ana çevresel gürültü kaynağının karayolu gürültüsü olduğu ortaya koyulmuştur. Karayolu gürültüsünü azaltmak ve olumsuz etkilerini önlemek amacıyla en etkin ve ekonomik yol kaynakta kontroldür. Ancak kaynakta denetimin yetersiz kaldığı durumlarda, kaynak ile alıcı arasında kullanılan akustik engeller öne çıkmaktadır. Tüm dünyada karayolu kaynaklı gürültü azaltımı için farklı tasarım bileşenlerine sahip gürültü bariyer sistemleri kullanılmaktadır. Karayollarında gürültü kontrolünü sağlamak üzere bariyer sistemlerinin geliştirilmesi öncesinde uygun kesitlerin belirlenmesi gerekmektedir. Stratejik gürültü haritalama çalışması yapılmasıyla, kabul edilebilir gürültü seviyelerinin aşıldığı alanlar ve bu alanlardaki karayolu kesitleri tespit edilebilmektedir. Ancak, söz konusu kesitlere bariyer uygulanması için sınır aşım alanları içerisinde farklı kriterler de değerlendirilmelidir. Bu çalışma kapsamında, Türkiye’de stratejik gürültü haritası hazırlanmış 20 il için karayollarında gürültü bariyer sistemi uygulanabilir potansiyel kesitler belirlenmiştir. Bu kesitler belirlenirken, stratejik gürültü haritalama çalışmaları kapsamında tespit edilen karayolu etki alanlarında sınır aşım değerlendirmelerinden ve gürültü modellemesi girdi verilerinden faydalanılmıştır. Modellenen 620 km ana karayolunun yaklaşık %3,9’una gürültü bariyeri uygulanabileceği tespit edilmiştir.

Particulate Matter (PM) is a type of air pollution that poses risks to human health, the environment, and property. Among the various PM types, PM₁₀ is particularly significant, as it acts as a vector for numerous hazardous trace elements that can negatively impact human health and the ecosystem. Identifying potential sources of PM₁₀ and quantifying their impact on ambient concentrations is crucial for developing efficient control strategies to meet threshold values. Receptor modeling, which identifies sources using chemical species information derived from PM samples, has been widely used for source apportionment. In this study, PM₁₀ samples were collected over three periods (April, May, and June 2021), each lasting 16 days, using semi-automatic dust sampling systems at two sites in Biga, Canakkale, Turkiye. The relative contributions of different source types were quantified using EPA PMF (Positive Matrix Factorization) based on 35 elements comprising PM₁₀. As a result of the analysis, five source types were identified: crustal elements/limestone/calcite quarry (64.9%), coal-fired power plants (11.2%), metal industry (9%), sea salt and ship emissions (8.5%), and road traffic emissions and road dust (6.3%). The distribution of source contributions aligned with the locations of identified sources in the region.

Particulate matter (PM) is a type of air pollution that poses a risk to human health, the environment, and property. PM ₁₀ is particularly significant as the vector of numerous dangerous trace elements due to the possible influence on human health and the ecosystem. Because of these effects, identifying potential sources and quantifying their impact on ambient PM ₁₀ concentration is essential for creating efficient control strategies to reach the threshold values. Based on the chemical species information derived from PM samples, receptor modeling has been extensively used for source appointment. In this study, PM ₁₀ samples were collected for three different periods (April, May, and June 2021), each lasting 15 days, using semi-automatic dust sampler systems at two sites selected in Biga, Canakkale, Turkiye. The relative contributions of different source types were quantified using EPA PMF (Positive Matrix Factorization) based on the 36 elements as components of PM ₁₀ . As a result of the analysis, five source types were identified, which include: crustal elements/limestone/calcite quarry (64.9%), coal-fired power plant (11.2%), metal industry (9%), sea salt and ship emissions (8.5%), road traffic emissions and road dust (6.3%). The distribution of source contributions and the conditional probability function analysis matched the known sources' locations.