مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

66
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

471
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

پیش بینی غلظت روزانه PM2. 5 با استفاده از ترکیب آموزش بردار پشتیبان (SVM)-تطبیقی و آنالیز مولفه های اصلی (PCA)

صفحات

 صفحه شروع 108 | صفحه پایان 121

کلیدواژه

آنالیز مولفه های اصلی (PCA)Q1
ماشین بردار پشتیبان (SVM)Q1

چکیده

 زمینه و هدف: امروزه کنترل کیفیت هوا به صورت امری گریزناپذیر در راس مسایل ملی مطرح شود. مطالعه حاضر با هدف پیش بینی مقدار غلظت روزانه PM2. 5 انجام شد. مواد و روش ها: در این مطالعه کاربردی که از اول فرودین 1400 تا آخر فروردین 1401 با هدف پیش بینی غلظت روزانه PM2. 5 در محدود ایستگاه های شهر تهران انجام شد, جامعه آماری, ایستگاه های سنجش آلودگی و هواشناسی محدوده مناطق 22 گانه تهران بود و نمونه آماری (ایستگاه سینوپتیک ژیوفیزیک و ایستگاه سنجش تربیت مدرس) با توجه هدف, به روش نمونه گیری غیرتصادفی انتخاب شدند. 11 متغیر ورودی که شامل داده های هواشناسی ایستگاه سینوپتیک ژیوفیزیک (دمای ماکزیمم و مینیمم, رطوبت نسبی کمینه و بیشینه, بارندگی, سرعت حداکثر باد و جهت باد) و داده های آلودگی غلظت ذرات معلق PM2. 5 ایستگاه تربیت مدرس (غلظت های روزانه PM2. 5 یک و روز قبل) بود, استفاده شد. یافته ها: مدل PCA توانست مقادیر غلظت روزانه آلاینده PM2. 5 را برای روزهای آتی با ضریب تشخیص 611/0=R²,و 87/10=RMSE پیش بینی نماید. در روش دوم, مدل ماشین بردار پشتیبان (SVM) با آنالیز مولفه های اصلی (PCA) ترکیب گردید. شرط اساسی استفاده از مدل PCA, کافی بودن نمونه ها می باشد که این شرط با استفاده از آزمون بارتلت انجام گرفت. نتیجه گیری: با این تعداد متغیر و روش SVM مدل سازی انجام گرفت که نتایج این عمل نشان داد عملکرد مدل ترکیبی از مدل قبلی بهتر است, به این دلیل که مقدار ضریب تعیین R², افزایش پیدا کرد و به مقدار 65/0 رسید و مقدار خطا نیز کاهش یافت و به مقدار 37/10= RMSE (جذر میانگین مربعات خطا) رسید. این مدل ترکیبی (PCA-SVM) به مدیران و تصمیم گیران شهری جهت کنترل و کاهش میزان آلاینده PM2. 5 کمک می کند.

استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    زارعی، امیر، زارعی، سیروان، عقیقی، حسین، وزیر ی، محمدحسین، محمدی، اقبال، و کاکاپور، وحید. (1402). پیش بینی غلظت روزانه PM2. 5 با استفاده از ترکیب آموزش بردار پشتیبان (SVM)-تطبیقی و آنالیز مولفه های اصلی (PCA). پژوهش در بهداشت محیط، 9(1 )، 108-121. SID. https://sid.ir/paper/1081876/fa

    Vancouver: کپی

    زارعی امیر، زارعی سیروان، عقیقی حسین، وزیر ی محمدحسین، محمدی اقبال، کاکاپور وحید. پیش بینی غلظت روزانه PM2. 5 با استفاده از ترکیب آموزش بردار پشتیبان (SVM)-تطبیقی و آنالیز مولفه های اصلی (PCA). پژوهش در بهداشت محیط[Internet]. 1402؛9(1 ):108-121. Available from: https://sid.ir/paper/1081876/fa

    IEEE: کپی

    امیر زارعی، سیروان زارعی، حسین عقیقی، محمدحسین وزیر ی، اقبال محمدی، و وحید کاکاپور، “پیش بینی غلظت روزانه PM2. 5 با استفاده از ترکیب آموزش بردار پشتیبان (SVM)-تطبیقی و آنالیز مولفه های اصلی (PCA)،” پژوهش در بهداشت محیط، vol. 9، no. 1 ، pp. 108–121، 1402، [Online]. Available: https://sid.ir/paper/1081876/fa

    مقالات مرتبط نشریه ای

  • ثبت نشده است.
  • مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button