تهيه نقشه طبقه بندي و پيش‌بيني آلاينده PM2.5 با استفاده از روش هاي يادگيري ماشين و استخراج قوانين انجمني

آلودگي هوا ناشي از وجود آلاينده هاي گوناگون در هوا مي باشد كه بيش‌تر آن مربوط به وجود ذرات معلق هوا به خصوص آلاينده ذرات معلق كم‌تر از 2.5 ميكرون (PM2.5) است. پيش‌بيني و شناسايي مكآن‌هايي كه تمركز آلودگي در آنجا بيش‌تر است به مديريت و برنامه ريزي صحيح كمك خواهد كرد. از اين رو براي شناسايي اين مكآن‌ها نياز به تهيه نقشه طبقه بندي و پيش‌بيني كلاس آلودگي ذرات معلق هوا مي باشد. در اين مقاله از روش هاي ماشين بردار پشتيبان، شبكه عصبي و درخت تصميم به عنوان روش هاي يادگيري ماشين نظارت‌شده براي تهيه نقشه طبقه بندي و پيش‌بيني غلظت آلاينده PM2.5 شهر تهران استفاده گرديد. در ادامه نيز براي تحليل تاثير پارامترهاي مكاني از روش استخراج قوانين انجمني استفاده مي گردد. روش ماشين بردار پشتيبان با دقت كلي 87.3 درصد و ميزان كاپا 81.5 درصد به عنوان روش برتر انتخاب گرديد. از اين روش براي پيش‌بيني غلظت آلاينده تا 72 ساعت آينده استفاده شد كه اين روش توانست با دقت كلي 80.7 درصد و ميزان كاپا 71.1 درصد به پيش‌بيني كلاس آلاينده در روز سوم بپردازد. يافته ها حاكي از آن است كه روش ماشين بردار پشتيبان مدل‌سازي و پيش‌بيني را با دقت بالاتري نسبت به بقيه روش ها انجام مي دهد. هم‌چنين با توجه به تاثير پارامترهاي مكاني در قوانين انجمني قوي تر، ميزان آلاينده نزديك‌ترين دو همسايگي، وضعيت توپوگرافي، دما، فشار هوا، ميزان بارش، شدت وارونگي دما، رطوبت نسبي، سرعت باد، جهت باد، ماه سال، روز هفته، ساعت روز به ترتيب بيش‌ترين تاثير را در تعيين كلاس آلاينده دارد.