توسعه الگوریتم‌های یادگیری ماشین جهت پیش‌بینی شاخص کیفیت هوای شهری (منطقه مطالعاتی: شهر تهران)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد، دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، دانشگاه تهران، تهران، ایران

2 پژوهشگر، باشگاه پژوهشگران جوان و نخبگان، دانشگاه آزاد اسلامی واحد مشهد، مشهد، ایران

3 کارشناسی ارشد، دانشکده مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه‌نصیرالدین طوسی، تهران، ایران

4 گروه پژوهشی خشکسالی و تغییر اقلیم، دانشگاه بیرجند، بیرجند، ایران

چکیده

با توجه به مضرات آلودگی هوا بر سلامت انسان‌ها و محیط، کاهش و حل این معضل براساس شناخت دقیق آلاینده‌ها و عوامل تأثیرگذار بر آن و مشخص نمودن پهنه‌های آلوده ضروری به نظر می‌رسد؛ بنابراین استفاده از مدل‌های ریاضی در قالب یادگیری ماشینی رویکردی بهینه و مقرون به صرفه برای مدل‌سازی آلودگی هواست. این تحقیق به‌ لحاظ هدف کاربردی بوده و روش بررسی آن توصیفی-تحلیلی است. نوآوری تحقیق حاضر ارائه یک رویکرد ترکیبی جدید جهت تعیین معیارهای مؤثر در پیش‌بینی میزان آلودگی هوا می‌باشد. لذا هدف از تحقیق حاضر ارزیابی و مقایسه قابلیت دو مدل یادگیری ماشین، یعنی ماشین بردار پشتیبان (‏SVM)‏ و جنگل تصادفی (‏RF) ‏در ترکیب با الگوریتم ژنتیک (GA) جهت پیش‌بینی میزان آلودگی هوا در شهرستان تهران است. داده‌های مورداستفاده در این تحقیق شامل ذرات معلق و آلاینده‌های گازی شهر تهران مرتبط با سال 1399 می‌‌باشد که از شرکت کنترل ترافیک شهر تهران اخذ گردیده است. به منظور تجزیه‌وتحلیل داده‌ها از نرم‌افزارهای Matlab و ArcMap استفاده شد. مقدار ضریب تشخیص (R2)  حاصل از روش ترکیبی RF-GA برابر 997/0 به دست آمد که نشان­دهنده سازگاری بالای این مدل با داده­های این تحقیق است. همچنین مقدار ریشه میانگین خطای مربعات (RMSE) برابر 153/0 به دست آمد که نشان­دهنده دقت بالای این مدل می­باشد. بر اساس اطلاعات گرفته شده از شرکت کنترل ترافیک شهر تهران، نتایج حاصل از روش RF بیانگر مناسب بودن انتخاب مدل مذکور جهت برآورد میزان آلودگی هوای شهر تهران بوده است.

چکیده تصویری

توسعه الگوریتم‌های یادگیری ماشین جهت پیش‌بینی شاخص کیفیت هوای شهری (منطقه مطالعاتی: شهر تهران)

کلیدواژه‌ها


اسلامی‌نژاد، سید احمد؛  افتخاری، مبین؛  محمودی زاده، سعید؛  اکبری، محمد؛  حاجی الیاسی، علی؛ 1400. ارزیابی مدل‌های هوش مصنوعی مبتنی بر درخت به­منظور پیش‌بینی خطر سیل در بستر GIS. تحقیقات منابع آب ایران. 17(2), 174-189. https://www.iwrr.ir/article_135317.html
اسلامی‌نژاد، سید احمد؛ افتخاری، مبین؛ اکبری، محمد؛ حاجی الیاسی، علی؛ فرهادیان، هادی؛ 1400. پیش‌بینی مناطق مستعد وقوع سیل با استفاده از مدل‌های پیشرفته یادگیری ماشین ( دشت بیرجند). مدیریت آب و آبیاری. 11(4). 885-904. https://doi.org/10.22059/jwim.2022.332875.934
افتخاری، مبین؛ اسلامی نژاد، سید احمد؛ حاجی الیاسی، علی؛ اکبری،  محمد؛ 1400. توسعۀ مدل DRASTIC با استفاده از هوش مصنوعی در پتانسیل آلودگی آبخوان مناطق نیمه ‏خشک. اکوهیدرولوژی. (3) 8. 651-665. https://doi.org/10.22059/IJE.2021.323188.1501
حق بیان، سارا؛ تشیع، بهنام؛ 1399. بهبود دقت مدل سازی غلظت ذرات معلق (PM2.5) از طریق ادغام ایستگاه‌های ثابت و همراه سنجش آلودگی هوا. فصلنامه علمی- پژوهشی اطلاعات جغرافیایی « سپهر». 29(116). 45-58. https://doi.org/10.22131/sepehr.2021.242859
خزایی، الهه؛ آل شیخ، علی اصغر؛ کریمی، محمد؛ وحیدنیا، محمدحسن؛ 1391. پیش بینی و مدلسازی غلظت آلاینده مونواکسیدکربن با تلفیق شبکه عصبی- فازی تطبیقی و سیستم اطلاعات جغرافیایی. کاربرد سنجش از دور و GIS در علوم منابع طبیعی. 3(3). 21-33. https://www.sid.ir/paper/189421/fa
رحیمی، جابر؛ رحیمی، علی؛ بذرافشان، جواد؛ 1392. بررسی تداوم روزهای همراه با آلاینده مونوکسیدکربن (CO) در هوای شهر تهران با استفاده از مدل زنجیره مارکف. نشریه علوم و تکنولوژی محیط زیست. 2(15). 79-90. https://www.sid.ir/paper/87572/fa
میری، محمد؛ قانعیان، محمد تقی؛  قلیزاده، عبدالمجید؛ یزدانی، اول محسن؛ نیکونهاد، علی؛ 1394. تحلیل و پهنه بندی آلودگی هوا شهر مشهد با استفاده از مدل‌های مختلف تحلیل فضایی. مجله مهندسی بهداشت محیط. (۲) ۳ :۱۵۴-۱۴. http://jehe.abzums.ac.ir/article-1-227-fa.html
 
Adams MD, Kanaroglou PS., 2016. Mapping real-time air pollution health risk for environmental management: Combining mobile and stationary air pollution monitoring with neural network models. Journal of Environmental Management. 168, 133-141. http://dx.doi.org/10.1016/j.jenvman.2015.12.012
Akbari M, Zahmatkesh H, Eftekhari M., 2021. A GIS-Based System for Real-Time Air Pollution Monitoring and Alerting Based on OGC Sensors Web Enablement Standards. Pollution, 7(1), 25-41. http://dx.doi.org/10.22059/poll.2020.296938.741
Arabgol R, Sartaj M, Asghari K., 2016. Predicting nitrate concentration and its spatial distribution in groundwater resources using support vector machines (SVMs) model. Environmental Modeling & Assessment, 21(1), 71-82. http://dx.doi.org/10.1007/s10666-015-9468-0
de Santana FB, de Souza AM, Poppi RJ., 2018. Visible and near infrared spectroscopy coupled to random forest to quantify some soil quality parameters. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 191, 454-462.
Eftekhari M, Eslaminezhad SA, Akbari M, DadrasAjirlou Y, Elyasi AH., 2021. Assessment of the potential of groundwater quality indicators by geostatistical methods in semi-arid regions. Journal of Chinese Soil and Water Conservation, 52(3), 158-67.
Farhadi, R., hadavifar, M., Moeinaddini, M., Amintoosi, M., 2020. Prediction of Air Pollutants Concentration Based on Meteorological Factors in Warm and Cold Season by Artificial Neural Network and Linear Regression, Case Study: Tehran. Journal of Natural Environment, 73(1), 115-127. http://dx.doi.org/10.22059/JNE.2020.278331.1681
Fawcett T. 2006. An introduction to ROC analysis. Pattern Recognition Letters 27, 861-874. https://doi.org/10.1016/j.patrec.2005.10.010
Ghorbanzadeh O, Blaschke T, Aryal J, Gholaminia K., 2020. A new GIS-based technique using an adaptive neuro-fuzzy inference system for land subsidence susceptibility mapping. Journal of Spatial Science, 65(3), 401–417.
Gorsevski PV, Gessler PE, Foltz RB, Elliot WJ., 2006. Spatial prediction of landslide hazard using logistic regression and ROC analysis. Transactions in GIS, 10(3), 395-415. https://doi.org/10.1111/j.1467-9671.2006.01004.x
Guevara J, Zadrozny B, Buoro A, Lu L, Tolle J, Limbeck J, Wu M, Hohl D., 2018. A hybrid data-driven and knowledge-driven methodology for estimating the effect of completion parameters on the cumulative production of horizontal wells. In: Proceedings - SPE Annual Technical Conference and Exhibition. Society of Petroleum Engineers (SPE). https://doi.org/10.2118/191446-MS
Kumar D., 2018. Evolving Differential evolution method with random forest for prediction of Air Pollution. Procedia computer science, 132, 824-833.
Liu H, Li Q, Yu D, Gu Y., 2019. Air quality index and air pollutant concentration prediction based on machine learning algorithms. Applied Sciences, 9(19), p.4069. https://doi.org/10.3390/app9194069
Masoudi M, Gerami S., 2017. Status of CO as an air pollutant and its prediction, using meteorological parameters in Esfahan, Iran. Pollution. 3 (4), 527-537. https://doi.org/ 10.22059/poll.2017.62770
McKendry IG., 2015. Evaluation of Artificial Neural Networks for Fine Particulate Pollution (PM10 and PM2.5) Forecasting. Journal of the Air & Waste Management Association 52(9): https://doi.org/1096–1101. 10.1080/10473289.2002.10470836
Mirjalili S., 2019. Genetic algorithm. In Evolutionary algorithms and neural networks (pp. 43-55). Springer, Cham. https://doi.org/10.1007/978-3-319-93025-1
Nejadkoorki F., and Baroutian S., 2012. Forecasting Extreme PM10 Concentrations Using Artificial Neural Networks. Statewide Agricultural Land Use Baseline 2015, 1(1), 277–84. https://doi.org/10.22059/ijer.2011.493
Oshan TM, Li Z, Kang W, Wolf LJ, Fotheringhm AS., 2019. MGWR: A Python implementation of multiscale geographically weighted regression for investigating process spatial heterogeneity and scale, ISPRS International Journal of Geo-Information, 8 (6), p. 269. https://doi.org/10.3390/ijgi8060269
Park S, Kim M, Namgung HG, Kim KT, Cho KH, Kwon SB., 2018. Predicting PM10concentration in Seoul Metropolitan Subway Stations Using Artificial Neural Network (ANN). Journal of Hazardous Materials, 341, 75–82.
Quiroz JC, Mariun N, Mehrjou MR, Izadi M, Misron N, Mohd Radzi MA., 2018. Fault detection of broken rotor bar in LS-PMSM using random forests. Measurement, 116, 273-280. https://doi.org/10.1016/j.measurement.2017.11.004
Song XY, Gao Y, Peng Y, Huang S, Liu C, Peng ZR., 2021. A machine learning approach to modelling the spatial variations in the daily fine particulate matter (PM2. 5) and nitrogen dioxide (NO2) of Shanghai, China. Environment and Planning B: Urban Analytics and City Science, 48(3), 467-483. https://doi.org/10.1177/2399808320975031
Sun Y, Xue B, Zhang M, Yen GG, Lv J., 2020. Automatically designing CNN architectures using the genetic algorithm for image classification. IEEE transactions on cybernetics, 50(9), 3840-3854. https://doi.org/10.1109/TCYB.2020.2983860
Tien Bui D, Shahabi H, Omidvar E, Shirzadi A, Geertsema M, Clague JJ, Lee S., 2019. Shallow landslide prediction using a novel hybrid functional machine learning algorithm. Remote Sensing, 11(8), 931. https://doi.org/10.3390/rs11080931
Wang X, Liu H., 2019. A Knowledge-and Data-Driven Soft Sensor Based on Deep Learning for Predicting the Deformation of an Air Preheater Rotor. IEEE Access 7:159651–159660. https://doi.org/10.1109/ACCESS.2019.2950661
Wheeler DC., 2014. Geographically Weighted Regression. Handbook of Regional Science, Springer: 1435-1459. https://doi.org/10.1007/978-3-642-23430-9_77
Wiemann S, Richter S, Karrasch P, Brauner J, Pech K, Bernard L., 2012. Classification-driven air pollution mapping as for environment and health analysis. 6th International Environmental Modelling and Software Society (iEMSs), 2012, Leipzig, Germany. https://scholarsarchive.byu.edu/iemssconference/2012/Stream-B/353/
Xue J, Xu Y, Zhao L, Wang C, Rasool Z, Ni M, Wang Q, Li D., 2019. Air pollution option pricing model based on AQI. Atmospheric Pollution Research, 10(3), 665-674. https://doi.org/10.1016/j.apr.2018.10.011
CAPTCHA Image