پيش‌بيني تغييرات غلظت دي اكسيد كربن در كلان شهرها با استفاده از سيستم ماشين بردار پشتيبان (مطالعه موردي تهران)

Environmental Engineering Sciences-Land Assessment and Evaluation

اميدوار سحر Omidvar Sahar

علوي كامليا Alavi Kamelia

بماني خرانق اكرم Bemani Kharanagh Akram , مهدوي آصف Mahdavi Aswf

علوم و مهندسي محيط زيست گرايش ارزيابي و آمايش سرزمين

كشاورزي و منابع طبيعي

علوم و مهندسي محيط زيست

136ص

پيش‌بيني , رگرسيون , ماشين‌بردار پشتيبان , غلظت , CO2

prediction , regression , backup mechanic , concentration , CO2

امروزه به دليل افزايش اثرات زيست¬محيطي از فعاليت¬هاي بشري و تقاضاي افراد جامعه براي زندگي بهتر به سيستم¬هاي كنترل و مديريت آلودگي هواي موثرتري نياز است. جهت دستيابي به يك سيستم مديريتي جامع در زمينه آلودگي هوا نياز است تا همه¬ي جوانب و ابزارهاي آن به¬خوبي شناخته شوند و نقش اين ابزارها در كل سيستم مديريتي تعيين شود.هوا نيز مانند ساير منابع زيست محيطي داراي ظرفيت محدودي بوده آلودگي هوا علاوه بر تاثيرات منفي بر روي سلامت بشر نقش موثري در كاهش راندمان سيستم‌ها طبيعي داشتهاست. پيش‌بيني غلظت آلاينده‌ها مي‌تواند نقش موثري در كنترل منابع آلودگي داشته باشد. لذا در اين مطالعه به بررسي كارايي مدل‌هاي رگرسيوني و ماشين‌بردار پشتيبان در پيش‌بيني غلظت CO2 در كلانشهر تهران پرداخته شده است. به منظور پيش‌بيني CO2 از پارامترهايي همچون بارش، دما، NOx، Soxو Pm10 و سال درايستگاه آزادي كلان-شهر تهران استفاده شد. بررسينتايج نشان مي¬دهدكه اجراي مدل رگرسيوني تك متغيره معادله معناداري جهت برآورد غلظت CO2 ارائه نمي¬دهد. بررسي ضرايب همبستگي بين غلظت CO2با پارامترهاي ورودي نشان مي¬دهدكه پارامتر O3 با ضريب تبيين 15 % داراي بيشترين همبستگي و پارامتر دما كمترين همبستگي را داشته است. اما به طور كلي آزمون ANOVA نشان مي¬دهد رابطه رگرسيوني به دست آمده معنادار نيست. با ناكارامدي مدل رگرسيون تك متغيره، مدل رگرسيوني چند متغيره اعمال گرديد. بررسي مدل رگرسيوني چند متغيره نيز نشان مي¬دهد كه اين مدل نيز داراي رابطه معناداري جهت پيش‌بين غلطت CO2 نبوده است. با به كارگيري مدل‌هاي SVM وFSSVM دقت مدل را ارتقا داده در مرحله¬¬ي آخر با به كارگيري يك مدل مناسب با متغيرهاي مختلف كه شامل متغيرهاي معنادار بوده¬اند قدرت پيش‌بيني بيش از 94 درصد به دست آمد. همان‌گونه كهدر تحقيق نشان داده شده است، داده‌ها داراي پيچيدگي بوده و مدل معمول SVM و حتي FS-SMV بر روي آن‌ها قابليت ارايه و طراحي يك مدل مناسب و معنادار را نداشت و مدل SVM فاقد معناداري و فقط حدود 35 درصد قدرت پيش‌بيني داشته است. سپس مدل رگرسيوني پيشرو اعمال شد كه نتايج ان نشان داد كه ميزان قدرت پيش¬بيني مدل 15/34 درصد افزايش پيدا كرد. اما باز هم نتايج قابل قبول نبوده. در مرحله بعد مدل رگرسيون بهبود يافته اعمال شد كه با حذف داده¬هاي پرت و نامتعارف ميزان دقت مدل 51/91 درصد رسيد و با اعمال مدل به دست آمده بر روي مجموعه داده¬هاي واقعي دقت 12/94 درصد رسيد. نتايج نشان مي¬دهد به طور كلي مدل رگرسيوني بهبود يافته داراي دقت بالايي جهت پيش¬بيني غلظت CO2 بوده است.

Today, due to the increased environmental impacts of human activities and the demand of community members for better living, more effective air pollution control and management systems are needed. In order to achieve a comprehensive air pollution management system, all of its aspects and tools need to be well known and the role of these tools in the overall management system is determined. Air, like other environmental resources, has limited capacity. Air pollution, in addition to its negative effects on human health, has had an effective role in reducing the efficiency of natural systems. Prediction of pollutant concentrations can play an effective role in controlling pollution sources. Therefore, in this study, the effects of regression and backup mechanics on prediction of CO2 concentration in Tehran metropolitan area have been investigated. Parameters such as rainfall, temperature, NOx, Sox, and Pm10 and year have been used at the Azadi station of Tehran's Klanzahr to predict CO2. The results show that the implementation of a single-valued regression model does not provide a meaningful equation for estimating CO2 concentration. Correlation coefficients between CO2 concentration and input parameters show that O3 parameter with the correlation coefficient of 15% has the highest correlation and temperature parameter has the least correlation. But in general ANOVA test shows that the obtained regression relationship is not significant. The multivariate regression model was applied with the inefficiency of a single-variable regression model. The study of multivariate regression model also shows that this model does not have a significant relationship with CO2 prediction. Using the SVM and FSSVM models, the accuracy of the model was improved in the final stage by using a suitable model with different variables including meaningful variables. The predictive power was more than 94%. As shown in the research, the data is complex and the typical model of SVM and even FS SMV on them was not able to provide and design a suitable and meaningful model, and the SVM model was meaningless and only about 35% predicted its power. Then, the leading regression model was applied, which showed that the predictive power of the model increased by 15/34 percent. But again, the results are not acceptable. In the next step, an improved regression model was applied which, with the elimination of overt and unusual data, the accuracy of the model was 51.91%, and by applying the model on the actual data set, accuracy was 94.9%. The results show that in general, the improved regression model has a high accuracy in predicting the concentration of CO2.

10/7/2018 12:00:00 AM

59

ESE5

خانم فتوحي