پیش‌بینی و آنالیز آماری غلظت ذرات با استفاده از هوش مصنوعی مبتنی بر یادگیری ماشین در شهر مشهد

زمینه و هدف: آلودگی هوای شهرهای صنعتی و بزرگ ناشی در سال های اخیر عمدتا ناشی از ذرات معلق هستند. پیش‌بینی غلظت آلاینده ها به مدیریت و برنامه‌ریزی صحیح در راستای بهبود کیفیت هوا کمک شایانی خواهد کرد. هدف از این مطالعه پیش‌بینی غلظت ذرات معلق با استفاده از چهار مدل غیرخطی هوش مصنوعی مبتنی بر روش یادگیری ماشین است. مواد و روش ها: تکنیک‌های یادگیری ماشین مورد استفاده در این مطالعه شامل: ماشین تقویت گرادیان سبک، رگرسیون تقویت گرادیان پیشرفته، جنگل تصادفی و رگرسیون با تقویت گرادیان بود. داده‌های هواشناسی و غلظت ذرات‌معلق برای پیش‌بینی شاخص کیفیت هوا  جمع‌آوری گردید. یافته‌ها: نتایج این مطالعه نشان می دهد مدل جنگل تصادفی بر اساس معیارهای میانگین خطای مطلق و میانگین درصد خطای مطلق، عملکرد بهتری نشان می دهد؛ در صورتیکه مدل رگرسیون با تقویت گرادیان بر اساس معیارهای میانگین خطای مربعات و ریشه میانگین خطای مربع عملکرد قویتری را نشان می دهد. نتیجه‌گیری: در نتیجه، این مطالعه روشی را برای به‌دست آوردن نتایج پیش‌بینی  با دقت بالا با استفاده از هوش مصنوعی مبتنی بر یادگیری ماشین را پیشنهاد می‌کند که برای پایش کیفیت هوا در مقیاس جهانی و بهبود ارزیابی مواجهه حاد در تحقیقات اپیدمی مفید است.

statistical analysis and forecast modeling of particles concentration using artificial intelligence based on machine learning in mashhad

background and purpose: this study aims to forecast pm concentrations using four non-linear machine learning (ml) models.materials and methods: the ml techniques employed include light gradient boosting machine (lgbm), extreme gradient boosting regressor (xgbr), random forest (rf), and gradient boosting regressor (gbr). meteorological and pollutant data were collected to predict the air quality index (aqi) in mashhad, khorasan razavi province, iran.results: based on the mae and mape metrics, rf demonstrated the best performance, while according to the mse and rmse metrics, gbr model was more robust.conclusion: this study proposes a high-accuracy pm prediction method using ml, which can be beneficial for global air quality monitoring and improving acute exposure assessments in epidemiological research.