داده‌کاوی نقش آلاینده‌های هوا (نیترات و نیتریت اکسید) در تغییرات دما و بارش ایستگاه سینوپتیک تبریز با استفاده از یادگیری ماشین شبکۀ عصبی پرسپترون چندلایه و رگرسیون لجستیک

هدف از این تحقیق، داده‌کاوی نقش آلاینده‌های هوا (نیترات و نیتریت اکسید)، در تغییرات عناصر دما و بارش 24 ساعته در ایستگاه سینوپتیک تبریز است. مواد و داده‌های به‌کاررفته در این تحقیق از دو منبع متفاوت‌اند. داده‌‌های درجه‌حرارت و بارش از ایستگاه هواشناسی سینوپتیک تبریز به‌صورت ساعتی برای مدت 31 سال و داده‌های آلاینده‌های‌ هوای تبریز (نیترات و نیتریت اکسید) از سازمان محیط‌زیست تبریز اخذ شده است. در ارتباط با داده‌های آلایندۀ هوا می‌توان گفت این داده‌ها توسط زبان برنامه‌نویسی r یادگیری ماشین شبکۀ عصبی پرسپترون چند‌لایه شبیه‌سازی ‌شده است. در ادامه، روش‌های یادگیری از رگرسیون لجستیک با هدف پیش‌بینی اثرات آلاینده‌ها در تغییرات دما و بارش استفاده شد. در مدل لجستیک، دما و بارش به‌عنوان متغیر‌های وابسته و غلظت نیترات و نیتریت اکسید به‌عنوان متغیرهای پیش‌بین مستقل انتخاب شدند. کل داده‌ها در تحلیل وارد شد و مدل لجستیک معنی‌دار بود. مجذور کای در نیترات و نیتریت اکسید برابر ‌‌‌‌‌‌‌‌348/01 محاسبه شد که در سطح خطای کمتر از 0/05 معنی‌دار بود. متغیرهای مستقل مذکور توانسته‌اند بین 84 تا 60 درصد از تغییرات را که منجر به  افزایش دما و کاهش بارش شده بود، به‌درستی تبیین کنند. 78/2 درصد از ماه‌هایی که تغییرات نداشتند، درست طبقه‌بندی شدند و 97/2 درصد از پیش‌بینی‌ها دربارۀ تغییرات دما و بارش صحیح بود. درکل، 90/9 درصد از پیش‌بینی‌ها درست تخمین زده شده است. نتایج نشان داد که آلاینده‌ها اثر معنی‌داری روی افزایش دما و کاهش بارش در ایستگاه سینوپتیک تبریز دارد. بیشترین و کمترین میزان نیترات اکسید به‌ترتیب در ماه‌های شهریور و اسفند، نیتریت در شهریور و اردیبهشت، دما در تیر و دی و بارش در فروردین و مرداد مشاهده‌ شده است.

data analysis of the role of air pollutants (nitrate and nitrite oxide) in temperature changes and precipitation of tabriz synoptic station using multi-layer perceptron neural network machine learning and logistic regression

the purpose of this research is to analyze the role of air pollutants (nitrate and nitrite oxide) in the changes of 24-hour temperature and precipitation elements in tabriz synoptic station. the materials and data used in this research are from two different sources. the temperature and precipitation data were obtained from the tabriz synoptic meteorological station hourly for a period of 31 years and the data of tabriz air pollutants (nitrate and nitrite oxide) were obtained from tabriz environmental organization. in connection with the air pollutant data, it can be said that these data have been simulated by the multi-layer perceptron neural network machine learning r programming language. in the logistic model, temperature and precipitation were selected as dependent variables and nitrate and nitrite oxide concentrations were selected as independent predictor variables. all data were included in the analysis and the logistic model was significant. the chi-square in nitrate and nitrite oxide was calculated as 348.01, which was significant at the error level of less than 0.05. the aforementioned independent variables have been able to correctly explain between 84 and 60 percent of the changes that led to the increase in temperature and decrease in precipitation. 78.2% of the months that had no changes were correctly classified, and 97.2% of the predictions about temperature and precipitation changes were correct. in total, 90.9% of the predictions have been estimated correctly. . the results showed that pollutants have a significant effect on temperature increase and precipitation decrease in tabriz synoptic station. the highest and lowest levels of nitrate oxide were observed in september and march, nitrite in september and may, temperature in july and january, and precipitation in april and august, respectively