پیش‌بینی غلظت روزانه pm2.5 با استفاده از ترکیب آموزش بردار پشتیبان تطبیقی و آنالیز مولفه‌های اصلی

زمینه و هدف: امروزه کنترل کیفیت هوا به‌صورت امری گریزناپذیر در راس مسائل ملی مطرح شود. مطالعه حاضر با هدف پیش‌بینی مقدار غلظت روزانه pm2.5 انجام شد. مواد و روش‌ها: در این مطالعه کاربردی که از اول فرودین 1400 تا آخر فروردین 1401 با هدف پیش‌بینی غلظت روزانه pm2.5 در محدود ایستگاه‌های شهر تهران انجام شد، جامعه آماری، ایستگاه‌های سنجش آلودگی و هواشناسی محدوده مناطق 22‌گانه تهران بود و نمونه آماری (ایستگاه سینوپتیک ژئوفیزیک و ایستگاه سنجش تربیت مدرس) با توجه هدف، به‌ روش نمونه‌گیری غیرتصادفی انتخاب ‌شدند. 11 متغیر ورودی که شامل داده‌های هواشناسی ایستگاه سینوپتیک ژئوفیزیک (دمای ماکزیمم و مینیمم، رطوبت نسبی کمینه و بیشینه، بارندگی، سرعت حداکثر باد و جهت باد) و داده‌های آلودگی غلظت ذرات معلق  pm2.5 ایستگاه تربیت مدرس (غلظت‌های روزانه pm2.5 یک و روز قبل) بود، استفاده شد.یافته‌ها: مدل pca توانست مقادیر غلظت روزانه آلاینده pm2.5 را برای روزهای آتی با ضریب تشخیص 0.611=r^2 و 10.87=rmse پیش‌بینی نماید. در روش دوم، مدل ماشین بردار پشتیبان (svm) با آنالیز مولفه‌های اصلی (pca) ترکیب گردید. شرط اساسی استفاده از مدل pca، کافی بودن نمونه‌ها می‌باشد که این شرط با استفاده از آزمون بارتلت انجام گرفت.نتیجه‌گیری: با این تعداد متغیر و روش svm مدل‌سازی انجام گرفت که نتایج این عمل نشان داد عملکرد مدل ترکیبی از مدل قبلی بهتر است، به این دلیل که مقدار ضریب تعیین  r^2افزایش پیدا کرد و به مقدار 0.65 رسید و مقدار خطا نیز کاهش یافت و به مقدار 10.37= rmse(جذر میانگین مربعات خطا) رسید. این مدل ترکیبی (pca-svm) به مدیران و تصمیم‌گیران شهری جهت کنترل و کاهش میزان آلاینده pm2.5 کمک می‌کند.

prediction of daily pm2.5 concentration using support vector training combination (svm) - adaptive and principal component analysis (pca)

background and purpose: air quality control is an inevitable issue at the forefront of national concerns. the aim of this study was to predict the daily concentration of pm2.5.materials and methods: according to the objective, the type of research can be considered practical, and the statistical population of the research includes meteorological and pollution measuring stations within the 22 districts of tehran. however, the statistical sample (synoptic geophysical station and tarbiat modares measuring station) was selected using a non-random sampling method. the desired statistical year for the study included the daily data from the selected stations for one year. eleven input variables were used, which included meteorological data from the geophysical synoptic station (maximum and minimum temperature, minimum and maximum relative humidity, rainfall, maximum wind speed, and wind direction) and pollution data of pm2.5 concentration from the tarbiat modares station (daily concentrations of pm2.5 and the previous day). the support vector machine (svm) model was used for prediction in this step.results: the model was able to predict the daily concentration values of the pm2.5 pollutant for the upcoming days with a detection coefficient r² = 0.611 and rmse = 10.87. in the second method, the support vector machine (svm) model was combined with principal component analysis (pca) to reduce the number of variables and perform modeling.conclusion: the results of this study show that the performance of the combined model is superior to the previous model, as the coefficient of determination r² increased to 0.65 and the error value decreased to 10.37 rmse (root mean square error). this hybrid model (pca-svm) can assist city managers and decision-makers in controlling and reducing the amount of pm2.5 pollutants.