روح­ اله نوری - Department of Civil Engineering, Islamic Azad University, Malard Branch, Tehran, Iran
غلامعلی هشیاری پور - Department of Geophysics, Institute of Geophysics, University of Hamburg, Hamburg, Germany
خسرو اشرفی - Department of Civil Engineering, Islamic Azad University, Malard Branch, Tehran, Iran
عمران راستی - Department of Politic Geography, Faculty of Geography, University of Birjand, Khorasan Jonoubi, Iran

زمینه و هدف: پیشبینی دقیق آلاینده­ های هوا، به عنوان اولین گام جهت برخورد مناسب با مشکل آلودگی هوا، میتواند اطلاعات مفیدی را برای برنامه ­ریزی جهت مقابله با این موضوع در اختیار مدیران ذیر بط قرار دهد. در این مقاله با توجه به معضل آلاینده مونوکسیدکربن (CO) در هوای شهر تهران، اقدام به ارایه مدلی مناسب برای پیشبینی این آلاینده شده است. روش بررسی: برای این منظور از اطلاعات آلایندههای هوا و پارامترهای هواشناسی ثبت شده در ایستگاه قلهک در شمال تهران که مجموعا ۱۲ ورودی به مدل برای پیشبینی غلظت میانگین روزانه CO را تشکیل میدادند، استفاده گردید. در گام اول این مطالعه از مدل ماشین بردار پشتیبان (SVM) برای مدلسازی غلظت روزانه CO استفاده شد. در گام بعد با استفاده از تکنیک انتخاب پیشرو، تعداد ورودی به مدل SVM از ۱۲ به ۷ متغیر کاهش و سپس مدل مناسبی (مدل FS-SVM) جهت پیشبینی غلظت روزانه CO توسعه داده شد. یافته ها: به منظور ارزیابی دقت مدل­ های SVM و FS-SVM در پیش بینی روزانه CO در شهر تهران از شاخص ضریب همبستگی استفاده گردید. ضریب همبستگی در مرحله تست هر دو مدل مذکور تقریبا یکسان بوده وحاکی از دقت مناسب هر دو مدل در پیش بینی روزانه CO است. به هر حال باید توجه داشت که استفاده از مدل FS-SVM به دلیل کاهش تعداد متغیرهای ورودی نسبت به مدل SVM، با هزینه های کمتر محاسباتی و اقتصادی همراه است. نتیجه گیری: نتایج به دست آمده از این دو مدل مشخص نمود که اگرچه هر دو مدل از دقت تقریبا یکسانی در پیشبینی غلظت روزانه CO برخوردارند، اما مدل FS-SVM به دلیل نیاز به تعداد کمتر ورودی و در نتیجه حجم محاسباتی کمتر، میتواند از عملکرد بهتری در این زمینه برخوردار باشد.

Carbon Monoxide, Support Vector Machine, Forward Selection, Tehran, مونوکسیدکربن, ماشین بردار پشتیبان, انتخاب پیشرو, تهران