پيش‌بيني غلظت روزانه PM2.5 با استفاده از تركيب آموزش بردار پشتيبان تطبيقي و آناليز مؤلفه‌هاي اصلي

زمينه و هدف: امروزه كنترل كيفيت هوا به‌صورت امري گريزناپذير در رأس مسائل ملي مطرح شود. مطالعه حاضر با هدف پيش‌بيني مقدار غلظت روزانه PM2.5 انجام شد. مواد و روش‌ها: در اين مطالعه كاربردي كه از اول فرودين 1400 تا آخر فروردين 1401 با هدف پيش‌بيني غلظت روزانه PM2.5 در محدود ايستگاه‌هاي شهر تهران انجام شد، جامعه آماري، ايستگاه‌هاي سنجش آلودگي و هواشناسي محدوده مناطق 22‌گانه تهران بود و نمونه آماري (ايستگاه سينوپتيك ژئوفيزيك و ايستگاه سنجش تربيت مدرس) با توجه هدف، به‌ روش نمونه‌گيري غيرتصادفي انتخاب ‌شدند. 11 متغير ورودي كه شامل داده‌هاي هواشناسي ايستگاه سينوپتيك ژئوفيزيك (دماي ماكزيمم و مينيمم، رطوبت نسبي كمينه و بيشينه، بارندگي، سرعت حداكثر باد و جهت باد) و داده‌هاي آلودگي غلظت ذرات معلق  PM2.5 ايستگاه تربيت مدرس (غلظت‌هاي روزانه PM2.5 يك و روز قبل) بود، استفاده شد.يافته‌ها: مدل PCA توانست مقادير غلظت روزانه آلاينده PM2.5 را براي روزهاي آتي با ضريب تشخيص 0.611=R^2 و 10.87=RMSE پيش‌بيني نمايد. در روش دوم، مدل ماشين بردار پشتيبان (SVM) با آناليز مؤلفه‌هاي اصلي (PCA) تركيب گرديد. شرط اساسي استفاده از مدل PCA، كافي بودن نمونه‌ها مي‌باشد كه اين شرط با استفاده از آزمون بارتلت انجام گرفت.نتيجه‌گيري: با اين تعداد متغير و روش SVM مدل‌سازي انجام گرفت كه نتايج اين عمل نشان داد عملكرد مدل تركيبي از مدل قبلي بهتر است، به اين دليل كه مقدار ضريب تعيين  R^2افزايش پيدا كرد و به مقدار 0.65 رسيد و مقدار خطا نيز كاهش يافت و به مقدار 10.37= RMSE(جذر ميانگين مربعات خطا) رسيد. اين مدل تركيبي (PCA-SVM) به مديران و تصميم‌گيران شهري جهت كنترل و كاهش ميزان آلاينده PM2.5 كمك مي‌كند.