امیر زارعی؛ سیروان زارعی؛ وحید, کاکاپور؛ محمدحسین وزیری؛ اقبال محمدی؛ حسین عقیقی
چکیده
زمینه و هدف: امروزه کنترل کیفیت هوا به‌صورت امری گریزناپذیر در رأس مسائل ملی مطرح شود. مطالعه حاضر با هدف پیش‌بینی مقدار غلظت روزانه PM2.5 انجام شد.مواد و روش‌ها: در این مطالعه کاربردی که از اول فرودین 1400 تا آخر فروردین 1401 با هدف پیش‌بینی غلظت روزانه PM2.5 در محدود ایستگاه‌های شهر تهران انجام شد، جامعه آماری، ایستگاه‌های سنجش آلودگی ...
بیشتر
زمینه و هدف: امروزه کنترل کیفیت هوا به‌صورت امری گریزناپذیر در رأس مسائل ملی مطرح شود. مطالعه حاضر با هدف پیش‌بینی مقدار غلظت روزانه PM2.5 انجام شد.مواد و روش‌ها: در این مطالعه کاربردی که از اول فرودین 1400 تا آخر فروردین 1401 با هدف پیش‌بینی غلظت روزانه PM2.5 در محدود ایستگاه‌های شهر تهران انجام شد، جامعه آماری، ایستگاه‌های سنجش آلودگی و هواشناسی محدوده مناطق 22گانه تهران بود و نمونه آماری (ایستگاه سینوپتیک ژئوفیزیک و ایستگاه سنجش تربیت مدرس) با توجه هدف، به روش نمونه‌گیری غیرتصادفی انتخاب شدند. 11 متغیر ورودی که شامل داده‌های هواشناسی ایستگاه سینوپتیک ژئوفیزیک (دمای ماکزیمم و مینیمم، رطوبت نسبی کمینه و بیشینه، بارندگی، سرعت حداکثر باد و جهت باد) و داده‌های آلودگی غلظت ذرات معلق PM2.5 ایستگاه تربیت مدرس (غلظت‌های روزانه PM2.5 یک و روز قبل) بود، استفاده شد.یافته‌ها: مدل PCA توانست مقادیر غلظت روزانه آلاینده PM2.5 را برای روزهای آتی با ضریب تشخیص 611/0=R² و 87/10=RMSE پیش‌بینی نماید. در روش دوم، مدل ماشین بردار پشتیبان (SVM) با آنالیز مؤلفه‌های اصلی (PCA) ترکیب گردید. شرط اساسی استفاده از مدل PCA، کافی بودن نمونه‌ها می‌باشد که این شرط با استفاده از آزمون بارتلت انجام گرفت.نتیجه‌گیری: با این تعداد متغیر و روش SVM مدل‌سازی 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 65/0 رسید و مقدار خطا نیز کاهش یافت و به مقدار 37/10= RMSE(جذر میانگین مربعات خطا) رسید. این مدل ترکیبی (PCA-SVM) به مدیران و تصمیم‌گیران شهری جهت کنترل و کاهش میزان آلاینده PM2.5 کمک می‌کند.