Noori R, Hoshyaripour G, Ashrafi K, Rasti O. Introducing an Appropriate Model using Support Vector Machine for Predicting Carbon Monoxide Daily Concentration in Tehran Atmosphere . ijhe 2013; 6 (1) :1-10
URL:
http://ijhe.tums.ac.ir/article-1-5133-fa.html
نوری روحاله، هشیاریپور غلامعلی، اشرفی خسرو، راستی عمران. ارایه مدلی مناسب با استفاده از ماشین بردار پشتیبان برای پیشبینی غلظت روزانه مونوکسیدکربن در هوای شهر تهران. سلامت و محیط زیست. 1392; 6 (1) :1-10
URL: http://ijhe.tums.ac.ir/article-1-5133-fa.html
1- دانشگاه آزاد اسلامی واحد ملارد ، roohollahnoori@gmail.com
2- دانشجوی دکترای ژئوفیزیک، مؤسسه ژئوفیزیک، دانشگاه هامبورگ، آلمان
3- استادیار دانشکده تحصیلات تکمیلی محیط زیست، دانشگاه تهران
4- ستادیار دانشکده جغرافیا، دانشگاه بیرجند
چکیده: (15566 مشاهده)
زمینه و هدف: پیشبینی دقیق آلایندههای هوا، به عنوان اولین گام جهت برخورد مناسب با مشکل آلودگی هوا، میتواند اطلاعات مفیدی را برای برنامهریزی جهت مقابله با این موضوع در اختیار مدیران ذیربط قرار دهد. در این مقاله با توجه به معضل آلاینده مونوکسیدکربن (CO) در هوای شهر تهران، اقدام به ارایه مدلی مناسب برای پیشبینی این آلاینده شده است.
روش بررسی: برای این منظور از اطلاعات آلایندههای هوا و پارامترهای هواشناسی ثبت شده در ایستگاه قلهک در شمال تهران که مجموعا 12 ورودی به مدل برای پیشبینی غلظت میانگین روزانه CO را تشکیل میدادند، استفاده گردید. در گام اول این مطالعه از مدل ماشین بردار پشتیبان (SVM) برای مدلسازی غلظت روزانه CO استفاده شد. در گام بعد با استفاده از تکنیک انتخاب پیشرو، تعداد ورودی به مدل SVM از 12 به 7 متغیر کاهش و سپس مدل مناسبی (مدل FS-SVM) جهت پیشبینی غلظت روزانه CO توسعه داده شد.
یافتهها: به منظور ارزیابی دقت مدلهای SVM و FS-SVM در پیشبینی روزانه CO در شهر تهران از شاخص ضریب همبستگی استفاده گردید. ضریب همبستگی در مرحله تست هر دو مدل مذکور تقریبا یکسان بوده وحاکی از دقت مناسب هر دو مدل در پیشبینی روزانه CO است. به هر حال باید توجه داشت که استفاده از مدل FS-SVM به دلیل کاهش تعداد متغیرهای ورودی نسبت به مدل SVM، با هزینههای کمتر محاسباتی و اقتصادی همراه است.
نتیجهگیری: نتایج به دست آمده از این دو مدل مشخص نمود که اگرچه هر دو مدل از دقت تقریبا یکسانی در پیشبینی غلظت روزانه CO برخوردارند، اما مدل FS-SVM به دلیل نیاز به تعداد کمتر ورودی و در نتیجه حجم محاسباتی کمتر، میتواند از عملکرد بهتری در این زمینه برخوردار باشد.
نوع مطالعه:
پژوهشي |
موضوع مقاله:
هوا دریافت: 1390/11/19 | پذیرش: 1391/2/17 | انتشار: 1392/10/7