پیش بینی غلظت روزانه PM2.5 با استفاده از ترکیب آموزش بردار پشتیبان (SVM)- تطبیقی و آنالیز مولفه های اصلی (PCA)

امروزه کنترل کیفیت هوا به صورت امری گریزناپذیر در راس مسایل ملی مطرح شود. مطالعه حاضر با هدف پیش بینی مقدار غلظت روزانه PM2.5 انجام شد.

در این مطالعه کاربردی که از اول فرودین 1400 تا آخر فروردین 1401 با هدف پیش بینی غلظت روزانه PM2.5 در محدود ایستگاه های شهر تهران انجام شد، جامعه آماری، ایستگاه های سنجش آلودگی و هواشناسی محدوده مناطق 22 گانه تهران بود و نمونه آماری (ایستگاه سینوپتیک ژیوفیزیک و ایستگاه سنجش تربیت مدرس) با توجه هدف، به روش نمونه گیری غیرتصادفی انتخاب شدند. 11 متغیر ورودی که شامل داده های هواشناسی ایستگاه سینوپتیک ژیوفیزیک (دمای ماکزیمم و مینیمم، رطوبت نسبی کمینه و بیشینه، بارندگی، سرعت حداکثر باد و جهت باد) و داده های آلودگی غلظت ذرات معلق  PM2.5 ایستگاه تربیت مدرس (غلظت های روزانه PM2.5 یک و روز قبل) بود، استفاده شد.

مدل PCA توانست مقادیر غلظت روزانه آلاینده PM2.5 را برای روزهای آتی با ضریب تشخیص 611/0=R² و 87/10=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.

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 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 تصمیم گیران شهری جهت کنترل و کاهش میزان آلاینده PM2.5 کمک می کند.