fa ارایه مدلی مناسب با استفاده از ماشین بردار پشتیبان برای پیشبینی غلظت روزانه مونوکسیدکربن در هوای شهر تهران هوا Air پژوهشي Research <div align="right" style="direction: rtl"><b>زمینه و هدف:</b> 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. <br><b> روش بررسی</b>: 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. <br> <b>یافته‌ها:</b> 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.<b><br> نتیجه‌گیری: </b>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. </div> <b>Backgrounds and Objectives</b>: Precise air pollutants prediction, as the first step in facing air pollution problem, could provide helpful information for authorities in order to have appropriate actions toward this challenge. Regarding the importance of carbon monoxide (CO) in Tehran atmosphere, this study aims to introduce a suitable model for predicting this pollutant. <b> <br>Materials and Method:</b> We used the air pollutants and meteorological data of Gholhak station located in the north of Tehran these data provided 12 variables as inputs for predicting the average CO concentration of the next day. First, support vector machine (SVM) model was used for forecasting CO daily average concentration. Then, we reduced the SVM inputs to seven variables using forward selection (FS) method. Finally, the hybrid model, FS-SVM, was developed for CO daily average concentration forecasting. <br><b>Result</b>: In the research, we used correlation coefficient to evaluate the accuracy of both SVM and FS-SVM models. Findings indicated that correlation coefficient for both models in testing step was equal (R~0.88). It means that both models have proper accuracy for predicting CO concentration. However, it is noteworthy that FS-SVM model charged fewer amounts of computational and economical costs due to fewer inputs than SVM model. <b><br>Conclusion:</b> Results showed that although both models have relatively equal accuracy in predicting CO concentration, FS-SVM model is the superior model due to its less number of inputs and therefore, less computational burden. مونوکسیدکربن, ماشین بردار پشتیبان, انتخاب پیشرو, تهران Carbon Monoxide, Support Vector Machine, Forward Selection, Tehran 1 10 http://ijhe.tums.ac.ir/browse.php?a_code=A-10-25-5003&slc_lang=fa&sid=1 Roohollah Noori روح­‌اله نوری roohollahnoori@gmail.com Yes Department of Civil Engineering, Islamic Azad University, Malard Branch, Tehran, Iran دانشگاه آزاد اسلامی واحد ملارد Gholamali Hoshyaripour غلامعلی هشیاری‌پور No Department of Geophysics, Institute of Geophysics, University of Hamburg, Hamburg, Germany دانشجوی دکترای ژئوفیزیک، مؤسسه ژئوفیزیک، دانشگاه هامبورگ، آلمان Khosro Ashrafi خسرو اشرفی No Department of Civil Engineering, Islamic Azad University, Malard Branch, Tehran, Iran استادیار دانشکده تحصیلات تکمیلی محیط زیست، دانشگاه تهران Omran Rasti عمران راستی No Department of Politic Geography, Faculty of Geography, University of Birjand, Khorasan Jonoubi, Iran ستادیار دانشکده جغرافیا، دانشگاه بیرجند