تنظیم Lasso در پیش بینی غلظت آلاینده های هوا با هدف کاهش بیش برازش در کلان شهر تهران

پیش بینی کیفیت هوا نقش مهمی در مدیریت آلودگی و کاهش پیامدهای بهداشتی آن دارد. با وجود کاربرد گسترده روش های یادگیری ماشین، بیش برازش همچنان یکی از چالش های اصلی این مدل ها محسوب می شود. در این پژوهش کارایی روش تنظیم Lasso در پیش بینی غلظت آلاینده های هوا شامل PM، NO، SO، CO و PM به همراه متغیرهای هواشناسی از ۱۶ ایستگاه در شهر تهران (۲۰۱۳ - ۲۰۲۳) بررسی شده است. نتایج نشان داد که تنظیم Lasso با کاهش بیش برازش و انتخاب ویژگی های موثر عملکرد مناسبی در پیش بینی ذرات معلق ارائه می دهد، به طوری که مقدار ضریب تعیین برای PM۲.۵ و PM به ترتیب ۰.۸۰ و ۰.۷۵ به دست آمد. در مقابل دقت پیش بینی آلاینده های گازی پایین تر بوده که به ماهیت پیچیده و غیرخطی آنها نسبت داده می شود. در مجموع روش Lasso ابزاری موثر و تفسیرپذیر برای مدل سازی کیفیت هوا محسوب می شود.

کلیدواژه ها:

آلاینده های هوا ، کیفیت هوا ، بیش برازش ، یادگیری ماشین ، Lasso