پیش بینی غلظت روزانه PM۲.۵ با استفاده از ترکیب آموزش بردار پشتیبان(SVM)- تطبیقی و آنالیز مولفه های اصلی(PCA)

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 68

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JREH-9-1_008

تاریخ نمایه سازی: 18 مهر 1402

چکیده مقاله:

زمینه و هدف: امروزه کنترل کیفیت هوا به صورت امری گریزناپذیر در راس مسائل ملی مطرح شود. مطالعه حاضر با هدف پیش بینی مقدار غلظت روزانه PM۲.۵ انجام شد.مواد و روش ها: در این مطالعه کاربردی که از اول فرودین ۱۴۰۰ تا آخر فروردین ۱۴۰۱ با هدف پیش بینی غلظت روزانه PM۲.۵ در محدود ایستگاه های شهر تهران انجام شد، جامعه آماری، ایستگاه های سنجش آلودگی و هواشناسی محدوده مناطق ۲۲ گانه تهران بود و نمونه آماری (ایستگاه سینوپتیک ژئوفیزیک و ایستگاه سنجش تربیت مدرس) با توجه هدف، به روش نمونه گیری غیرتصادفی انتخاب شدند. ۱۱ متغیر ورودی که شامل داده های هواشناسی ایستگاه سینوپتیک ژئوفیزیک (دمای ماکزیمم و مینیمم، رطوبت نسبی کمینه و بیشینه، بارندگی، سرعت حداکثر باد و جهت باد) و داده های آلودگی غلظت ذرات معلق  PM۲.۵ ایستگاه تربیت مدرس (غلظت های روزانه PM۲.۵ یک و روز قبل) بود، استفاده شد.یافته ها: مدل PCA توانست مقادیر غلظت روزانه آلاینده PM۲.۵ را برای روزهای آتی با ضریب تشخیص ۶۱۱/۰=R² و ۸۷/۱۰=RMSE پیش بینی نماید. در روش دوم، مدل ماشین بردار پشتیبان (SVM) با آنالیز مولفه های اصلی (PCA) ترکیب گردید. شرط اساسی استفاده از مدل PCA، کافی بودن نمونه ها می باشد که این شرط با استفاده از آزمون بارتلت انجام گرفت.نتیجه گیری: با این تعداد متغیر و روش SVM مدل سازی انجام گرفت که نتایج این عمل نشان داد عملکرد مدل ترکیبی از مدل قبلی بهتر است، به این دلیل که مقدار ضریب تعیین  R²افزایش پیدا کرد و به مقدار ۶۵/۰ رسید و مقدار خطا نیز کاهش یافت و به مقدار ۳۷/۱۰= RMSE(جذر میانگین مربعات خطا) رسید. این مدل ترکیبی (PCA-SVM) به مدیران و تصمیم گیران شهری جهت کنترل و کاهش میزان آلاینده PM۲.۵ کمک می کند.

نویسندگان

امیر زارعی

مهندسی آب دانشگاه صمعتی اصفهان

سیروان زارعی

گروه سلامت، ایمنی و محیط زیست (HSE)، دانشکده بهداشت و ایمنی، مرکز تحقیقات ارتقاء سلامت محیط کار، دانشگاه علوم پزشکی شهید بهشتی،

وحید, کاکاپور

کارشناسی ارشد، گروه مهندسی آبخیزداری، دانشکده منابع طبیعی، دانشگاه صنعتی اصفهان، اصفهان، ایران

محمدحسین وزیری

بهداشت و ایمنی

اقبال محمدی

دکتری آبخیزداری

حسین عقیقی

استادیار مرکز مطالعات سنجش از دور و GIS ،دانشگاه شهید بهشتی، تهران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Adams, K.J.Exercise Physiology: ACSM Resourse Manual for Guidelines for Exercise ...
  • Arnesano M, Revel G M, Seri, F A. Tool for ...
  • Bono R, Raffaella D, Marco P, Valeria R, Renato R. ...
  • Boznar M, Lesjak M, Mlakar, P. ۱۹۹۳, A Neural Network-Based ...
  • Chen ST, Yu PS. Pruning of support vector networks on ...
  • Dimitris V, Kostas K, Jaakko K, Teemu R, Ari K, ...
  • Fernando H.J, Mammarella M, Grandoni, G, Fedele P, Di Marco ...
  • Gardner MW, Dorling SR. Neural network modelling and prediction of ...
  • Ghaemi, Z, Farnaghi M, Alimohammadi A. An Online Approach for ...
  • Gorai AK, Tuluri F, Tchounwou PB. A GIS based approach ...
  • Kolehmainen M, Martikainen H, Hiltunen T, Ruuskanen, J. Forecasting Air ...
  • Kumar A,Goyal P.Forecasting of Air Quality in Delhi Using Principal ...
  • Lu WZ, Wang WJ. Potential assessment of the support vector ...
  • Mostafaeipour A, Zarezade M, Goudarzi H, Rezaei-Shouroki M, Qolipour M. ...
  • Moussiopoulos N, Sahm P, Kessler C. Numerical Simulation of Photochemical ...
  • Niska H, Hiltunen T, Karppinen A, Ruuskanen J, Kolehmainen M. ...
  • Noori R, Abdoli MA, Ameri- Ghasrodashti A, JaliliGhazizade M. Prediction ...
  • Noori R, Ashrafi K, Azhdarpour A. Comparison of ANN and ...
  • Noori R, Hoshyaripour G, Ashrafi K, NadjarAraabi B. Uncertainty analysis ...
  • Noori R, Karbassi A, Farokhnia A, Dehghani M. Predicting the ...
  • Nunnari G, Dorling S, Schlink U, Cawley G, Foxall R, ...
  • Nunnari G. Simplified Fuzzy Modelling of Pollutant Time Series, Neural ...
  • Osowski S. Forecasting of the daily meteorological pollution using wavelets ...
  • Pelliccioni A, Tirabassi T. Air dispersion model and neural network: ...
  • Qu Y, Liu Y, Nayak R, Li, M.Sustainable development of ...
  • Salazar-Ruiz E, Ordieres JB, Vergara EP, CapuzRizo SF. Development and ...
  • Schlkopf C, Smola A. Learning with Kernels: Support Vector Machines, ...
  • Singh K P, Gupta S, Rai P. Identifying Pollution Sources ...
  • Statheropoulos M, Vassiliadis N, Pappa, A.Principal Component and Canonical Correlation ...
  • Suleiman A, Tight M R, Quinn A D. Assessment and ...
  • Williamsn B, Onsman A, Brown T. Exploratory Factor Analysis: A ...
  • ۳۴ Wei L, Geng G, Fuji C, Yihui C.Meteorological pattern ...
  • Yu PS, Chen ST, Chang IF. Support vector regression for ...
  • Zhang J, Wang C, Liu L, Guo H, Liu G, ...
  • نمایش کامل مراجع