تهیه نقشه طبقه بندی و پیش‌بینی آلاینده pm2.5 با استفاده از روش های یادگیری ماشین و استخراج قوانین انجمنی

آلودگی هوا ناشی از وجود آلاینده های گوناگون در هوا می باشد که بیش‌تر آن مربوط به وجود ذرات معلق هوا به خصوص آلاینده ذرات معلق کم‌تر از 2.5 میکرون (pm2.5) است. پیش‌بینی و شناسایی مکآن‌هایی که تمرکز آلودگی در آنجا بیش‌تر است به مدیریت و برنامه ریزی صحیح کمک خواهد کرد. از این رو برای شناسایی این مکآن‌ها نیاز به تهیه نقشه طبقه بندی و پیش‌بینی کلاس آلودگی ذرات معلق هوا می باشد. در این مقاله از روش های ماشین بردار پشتیبان، شبکه عصبی و درخت تصمیم به عنوان روش های یادگیری ماشین نظارت‌شده برای تهیه نقشه طبقه بندی و پیش‌بینی غلظت آلاینده pm2.5 شهر تهران استفاده گردید. در ادامه نیز برای تحلیل تاثیر پارامترهای مکانی از روش استخراج قوانین انجمنی استفاده می گردد. روش ماشین بردار پشتیبان با دقت کلی 87.3 درصد و میزان کاپا 81.5 درصد به عنوان روش برتر انتخاب گردید. از این روش برای پیش‌بینی غلظت آلاینده تا 72 ساعت آینده استفاده شد که این روش توانست با دقت کلی 80.7 درصد و میزان کاپا 71.1 درصد به پیش‌بینی کلاس آلاینده در روز سوم بپردازد. یافته ها حاکی از آن است که روش ماشین بردار پشتیبان مدل‌سازی و پیش‌بینی را با دقت بالاتری نسبت به بقیه روش ها انجام می دهد. هم‌چنین با توجه به تاثیر پارامترهای مکانی در قوانین انجمنی قوی تر، میزان آلاینده نزدیک‌ترین دو همسایگی، وضعیت توپوگرافی، دما، فشار هوا، میزان بارش، شدت وارونگی دما، رطوبت نسبی، سرعت باد، جهت باد، ماه سال، روز هفته، ساعت روز به ترتیب بیش‌ترین تاثیر را در تعیین کلاس آلاینده دارد. 

providing the classification and prediction of pm2.5 pollutant map using machine learning methods and extracting association rules

air pollution is caused by the presence of various pollutants in the air, which is mostly related to the presence of particulate matters, especially particulate pollutant concentrations which are smaller than 2.5 microns (pm2.5). predicting and identifying the infected areas will help us in managing and planning. therefore, in order to identify these places, it is necessary to provide the maps of classification and the prediction maps of the pm2.5 pollution. the supervised machine learning methods used in this study, were support vector machine, multilayer neural network, and decision tree for classifying and predicting the pm2.5 pollutant maps in tehran city. moreover, to identify the effect of the spatial parameters, the association rules mining method was used. the support vector machine method with 87.3 percent for overall accuracy and 81.5 percent for the kappa index was selected as the best classifier. this method was used to predict the concentration of the pollutants on the third day, which was able to predict the third day with 80.7 percent for the overall accuracy and 71.1 percent for the kappa index. the findings indicate that the support machine vector method performs modeling and predicting with higher accuracy than the other methods. attention to the influence of  the spatial parameters in stronger association rules, the amount of the pollution of the nearest two neighborhoods, topography, temperature, air pressure, rainfall, intensity of air inversion, relative humidity, wind speed, wind direction, month of the year, day of the week, hour of the day had the greatest impact on determining the pollutant class.