ارزیابی عملکرد مدل های مبتنی بر یادگیری ماشین در برآورد غلظت روزانه منوکسید کربن زمستانه شهر کرمان

مدل های مبتنی بر یادگیری ماشین، ابزاری کارآمد جهت تحلیل روابط پیچیده بین پارامترهای کیفی هوا و متغیرهای هواشناسی و تعیین عوامل کلیدی موثر بر کیفیت هوا هستند. در تحقیق حاضر با استفاده از اطلاعات روزانه پنج متغیر هواشناسی شامل دمای هوا، بارش، رطوبت نسبی، سرعت باد و فشار هوا و غلظت دو آلاینده هوا (O۳, PM۲.۵) عملکرد ۳ مدل درخت –پایه RF، XGBoost،CatBoost و مدل پرسپترون چند لایه (MLP) ساخته شده بر مبنای شبکه عصبی جهت برآورد غلظت روزانه مونوکسید کربن فصل زمستان در شهر کرمان ارزیابی شده است. مقایسه مدل ها با استفاده از شاخص های آماری R۲، RMSE و MAE انجام شد و نتایج بدست آمده نشان داد که مدل CatBoost با R۲ برابر با ۷۷۸/۰، RMSE برابر با (ppb) ۲۸۴/۰ و MAE برابر با (ppb) ۲۰۹۰ در مرحله تست، بالاترین دقت را در تخمین غلظت منوکسید کربن دارد. نتایج مدل های XGBoost و RF تقریبا یکسان بود و R۲ دو مدل در مرحله تست به ترتیب به ۷۴۷/۰ و ۷۲۸/۰ رسید و مدل MLP با R۲ برابر با ۶۹۳/۰، RMSE برابر با (ppb) ۳۰۸/۰ و MAE برابر با (ppb) ۲۳۶/۰کمترین دقت را داشت. این نتایج توانایی مدل های درخت-پایه را در مقایسه با مدل ساخته شده بر مبنای شبکه عصبی در برآورد غلظت آلاینده منوکسید کربن تایید می کند.

کلیدواژه ها:

آلودگی هوا ، کرمان ، مونوکسید کربن ، مدل یادگیری ماشین