مدلسازی مکانی-زمانی پیشبینی آلودگی هوا به کمک تلفیق GIS و الگوریتمهای ماشین بردار پشتیبان و K-Nearest Neighbor

مهاجرت به شهرها به دلایل متعددی مانند کار، تحصیل و امکانات بهتر باعث گردیده که توده های عظیم جمعیت در مناطق با گسترهی مکانی کم متمرکز گردند. با افزایش جمعیت در شهرها، بسیاری از مشکلات زیست محیطی با تاثیر صنعت و ترافیک پدیدار میشوند. آلودگی هوا یکی از اصلیترین این مشکلات است. در اختیار داشتن مدلی دقیق جهت پیشبینی مکانی-زمانی میزان آلودگی هوا میتواند به مدیریت، برنامه ریزی و تصمیم گیریهای مناسب کمک نماید. مطالعات متعدد در زمینه ی ساخت مدلهای پیشبینی مرتبط با فاکتورهای مکانی، تلفیق الگوریتمهای یادگیری ماشین و سیستمهای اطلاعات مکانی را در رسیدن به نتایج عینی و دقیقتر حائز اهمیت دانسته اند. لذا در این تحقیق، مدلسازی مکانی-زمانی پیشبینی آلودگی هوا به کمک تلفیق GIS و الگوریتمهای SVM و K-Nearest Neighbor صورت پذیرفته است. همچنین، شهر تهران به علت موقعیت ژئوپلتیک، میزان جمعیت ساکن و شرایط نامساعدی که از منظر آلودگی هوا دارد به منظور پیادهسازی، ارزیابی و مقایسه نتایج مدلها انتخاب گردید. مقادیر آلودگی هوای فصلی برای سالهای ۱۳۹۹-۱۳۹۶، نقشه های مدل رقومی ارتفاع، شیب و تراکم خیابانها به منظور آموزش و اعتبار سنجی مدلها مورد استفاده قرار گرفت و توزیع مکانی-زمانی آلودگی هوا برای فصول مختلف سال ۱۴۰۰ پیشبینی گردید. نتایج به دست آمده نشان داد که روش K-Nearest Neighbor از نظر معیارهای ضریب تعیین (R۲) و جذر میانگین مربعات خطا (RMSE) نتایج بهتری نسبت به SVM در تمام فصول به جز تابستان ارائه داده است. به طوریکه در تمام فصول R۲ بیشتر از ۸۲.۰ و RMSE کمتر از ۷.۲۴ بوده است. این معیارها برای فصل پاییز بهترین وضعیت خود (۹۱.۰R۲= و ۲.۱۱(RMSE= را داراست. نتایج به دست آمده، توانایی و دقت مطلوب روش K-Nearest Neighbor در مدلسازی مکانی-زمانی پیشبینی آلودگی هوا را نشان میدهد، از این رو میتواند به عنوان ابزاری کارا در اختیار مدیران و تصمیم گیران این حوزه قرار گیرد .

کلیدواژه ها:

مدلسازی مکانی-زمانی ، آلودگی هوا ، GIS ، SVM ، .K-Nearest Neighbor