[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
آمار نشریه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آمار سایت
مقالات منتشر شده: 308
نرخ پذیرش: 62.9
نرخ رد: 37.1
میانگین داوری: 210 روز
میانگین انتشار: 344 روز
..
:: دوره 10، شماره 4 - ( 12-1401 ) ::
جلد 10 شماره 4 صفحات 85-67 برگشت به فهرست نسخه ها
تهیه نقشه طبقه بندی و پیش‌بینی آلاینده PM2.5 با استفاده از روش های یادگیری ماشین و استخراج قوانین انجمنی
محمدرضا حیدری ، پرهام پهلوانی* ، بهناز بیگدلی
دانشگاه تهران
چکیده:   (2808 مشاهده)
آلودگی هوا ناشی از وجود آلاینده­های گوناگون در هوا می­باشد که بیش‌تر آن مربوط به وجود ذرات معلق هوا به خصوص آلاینده ذرات معلق کم‌تر از 5/2 میکرون (PM2.5) است. پیش‌بینی و شناسایی مکآن‌هایی که تمرکز آلودگی در آنجا بیش‌تر است به مدیریت و برنامه­ریزی صحیح کمک خواهد کرد. از این رو برای شناسایی این مکآن‌ها نیاز به تهیه نقشه طبقه­بندی و پیش‌بینی کلاس آلودگی ذرات معلق هوا می­باشد. در این مقاله از روش­های ماشین بردار پشتیبان، شبکه عصبی و درخت تصمیم به عنوان روش­های یادگیری ماشین نظارت‌شده برای تهیه نقشه طبقه­بندی و پیش‌بینی غلظت آلاینده PM2.5 شهر تهران استفاده گردید. در ادامه نیز برای تحلیل تاثیر پارامترهای مکانی از روش استخراج قوانین انجمنی استفاده می­گردد. روش ماشین بردار پشتیبان با دقت کلی 3/87 درصد و میزان کاپا 5/81 درصد به عنوان روش برتر انتخاب گردید. از این روش برای پیش‌بینی غلظت آلاینده تا 72 ساعت آینده استفاده شد که این روش توانست با دقت کلی 7/80 درصد و میزان کاپا 1/71 درصد به پیش‌بینی کلاس آلاینده در روز سوم بپردازد. یافته­ها حاکی از آن است که روش ماشین بردار پشتیبان مدل‌سازی و پیش‌بینی را با دقت بالاتری نسبت به بقیه روش­ها انجام می­دهد. هم‌چنین با توجه به تاثیر پارامترهای مکانی در قوانین انجمنی قوی­تر، میزان آلاینده نزدیکترین دو همسایگی، وضعیت توپوگرافی، دما، فشار­هوا، میزان بارش، شدت وارونگی دما، رطوبت ­نسبی، سرعت­باد، جهت ­باد، ماه­سال، روز­هفته، ساعت­روز به ترتیب بیش‌ترین تاثیر را در تعیین کلاس آلاینده دارد.
 
واژه‌های کلیدی: آلودگی‌هوا، آلاینده PM2.5، پارامترهای مکانی، یادگیری ماشین نظارت شده، قوانین انجمنی
متن کامل [PDF 1212 kb]   (315 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سیستمهای اطلاعات مکانی (عمومی)
دریافت: 1401/3/1 | پذیرش: 1402/2/24 | انتشار الکترونیک پیش از انتشار نهایی: 1402/2/25 | انتشار: 1402/2/31
فهرست منابع
1. [1] Y.-S. Chang, et al., "An LSTM-based aggregated model for air pollution forecasting", Atmospheric Pollution Research, Vol.11(8), pp. 1451-1463, 2020.
2. [2] K. Harishkumar, K. Yogesh, and I. Gad, "Forecasting Air Pollution Particulate Matter (PM2.5) Using Machine Learning Regression Models", Procedia Computer Science, Vol.171, pp. 2057-2066, 2020.
3. [3] D.W. Dockery, "Health effects of particulate air pollution", Annals of epidemiology, Vol.19(4), pp. 257-263, 2009.
4. [4] M.A. Elangasinghe, et al., "Development of an ANN-based air pollution forecasting system with explicit knowledge through sensitivity analysis", Atmospheric pollution research, Vol.5(4), pp. 696-708, 2014.
5. [5] M. Dong, et al., "PM2.5 concentration prediction using hidden semi-Markov model-based times series data mining", Expert Systems with Applications, Vol.36(5), pp. 9046-9055, 2009.
6. [6] M. Elangasinghe, et al., "Complex time series analysis of PM10 and PM2.5 for a coastal site using artificial neural network modelling and k-means clustering", Atmospheric Environment, Vol.94, pp. 106-116, 2014.
7. [7] H. Niska, et al., "Evolving the neural network model for forecasting air pollution time series", Engineering Applications of Artificial Intelligence, Vol.17(2), pp. 159-167, 2004.
8. [8] K.P. Singh, S. Gupta, and P. Rai, "Identifying pollution sources and predicting urban air quality using ensemble learning methods", Atmospheric Environment, Vol.80, pp. 426-437, 2013.
9. [9] X. Feng, et al., "Artificial neural networks forecasting of PM2.5 pollution using air mass trajectory based geographic model and wavelet transformation", Atmospheric Environment, Vol.107, pp. 118-12, 2015.
10. [10] Z. Rostami Fasih, et al., "Forecasting the air quality index based on meteorological variables and autocorrelation terms using artificial neural network", Razi Journal of Medical Sciences, Vol.22(137), pp. 31-43, 2015.
11. [11] Cakir, S. and Sita, M., 2020. "Evaluating the performance of ANN in predicting the concentrations of ambient air pollutants in Nicosia". vol.11, no.12, p. 2327-2334.
12. [12] Chae, S., Shin, J., Kwon, S. et al. PM10 and PM2.5 real-time prediction models using an interpolated convolutional neural network. Sci Rep 11, 11952 (2021). [DOI:10.1038/s41598-021-91253-9]
13. [13] W. Leong, R. Kelani, and Z. Ahmad, "Prediction of air pollution index (API) using support vector machine (SVM)", Journal of Environmental Chemical Engineering, Vol.8(3): pp. 103208, 2020.
14. [14] Z. Ghaemi, M. Farnaghi, and A. ALIMOHAMMADI, "An Online Approach for Spatio-Temporal Prediction of Air Pollution in Tehran using Support Vector Machine", Scientific Information database, Vol.3(4), pp.43-63, 2016.
15. [15] W. Lu et al., "Air pollutant parameter forecasting using support vector machines", Proceedings of the 2002 International Joint Conference on Neural Networks. IJCNN'02 (Cat. No.02CH37290), , vol.1, pp.630-635, 2002.
16. [16] Delavar, M.R., et al., 2019. "A novel method for improving air pollution prediction based on machine learning approaches: a case study applied to the capital city of Tehran". vol.8, no.2, p. 99.
17. [17] A. Jamal, and R.N. Nodehi, "Predicting air quality index based on meteorological data: A comparison of regression analysis, artificial neural networks and decision tree". Journal of Air Pollution And Health, Vol.2(1),2017.
18. [18] A.M. Hilal, et al., Machine learning-based Decision Tree J48 with grey wolf optimizer for environmental pollution control, Environmental Technology, 2022. DOI: 10.1080/09593330.2021.2017491.
19. [19] C. Payus, et al., "Association rules of data mining application for respiratory illness by air pollution database", Int J Basic Appl Sci, Vol.13(3), pp. 11-16, 2013.
20. [20] E. Sahafizadeh and E. Ahmadi, "Prediction of Air Pollution of Boushehr City Using Data Mining," 2009 Second International Conference on Environmental and Computer Science, Dubai, 2009, pp. 33-36.
21. [21] R.A. Bahari, R. Ali Abbaspour, and P. Pahlavani. "Prediction of pm2.5 concentrations using temperature inversion effects based on an artificial neural network." The ISPRS international conference of Geospatial information research, Vol. 15. 2014.‏
22. [22]http://weather.uwyo.edu/upperair/sounding.html.
23. [23]https://aqs.epa.gov/aqsweb/documents/codetables/aqi_breakpoints.html.
24. [24] M.R. Delavar, et al., "A novel method for improving air pollution prediction based on machine learning approaches: a case study applied to the capital city of Tehran". ISPRS International Journal of Geo-Information, Vol.8(2), pp. 99, 2019.
25. [25] D. Acharya, et al., "Application of adaptive Savitzky-Golay filter for EEG signal processing", Perspectives in science, Vol.8, pp. 677-679, 2016.
26. [26] A. K. Jain, Jianchang Mao and K. M. Mohiuddin, "Artificial neural networks: a tutorial," in Computer, vol.29(3), pp. 31-44, 1996.
27. [27] V.N. Subramanian, "Data analysis for predicting air pollutant concentration in Smart city Uppsala", Dissertation, 2016.
28. [28] M. Cai, Y. Yin, and M. Xie, "Prediction of hourly air pollutant concentrations near urban arterials using artificial neural network approach". Transportation Research Part D: Transport and Environment, Vol.14(1), pp. 32-41, 2009.
29. [29] J.J. Moré, "The Levenberg-Marquardt algorithm: implementation and theory", in Numerical analysis, Heidelberg: Springer ,1978, pp. 105-116.
30. [30] V.N. Vapnik, "An overview of statistical learning theory". IEEE transactions on neural networks, Vol.10(5), pp. 988-999, 1999.
31. [31] W. Wang, C. Men, and W. Lu, "Online prediction model based on support vector machine", Neurocomputing, Vol.71(4-6), pp. 550-558, 2008.
32. [32] C. Cortes, and V. Vapnik, "Support-vector networks". Machine learning, Vol.20(3): pp. 273-297, 1995.
33. [33] C.J. Burges, "A tutorial on support vector machines for pattern recognition". Data mining and knowledge discovery, Vol.2(2), pp. 121-167, 1998.
34. [34] B. Bigdeli, H. Amini Amirkolaee, and P. Pahlavani, "Deep feature learning versus shallow feature learning systems for joint use of airborne thermal hyperspectral and visible remote sensing data". International Journal of Remote Sensing, Vol.40(18), pp. 7048-7070, 2019.
35. [35] D. Zhu, et al., "A machine learning approach for air quality prediction: Model regularization and optimization". Big data and cognitive computing, Vol.2(1), pp. 5, 2018.
36. [36] H. Askarian Omran, and P. Pahlavani, "Using of Markov Chain, MOLA, and Neighborhood filter for developing and increasing the efficiency of Logistic Regression to predict multiple land-use changes, a case study: Tehran". Engineering Journal of Geospatial Information Technology, Vol.3(2), pp. 89-109, 2015.
37. [37] Pijanowski, B., et al., "Urban expansion simulation using geospatial information system and artificial neural networks", International journal of environmental research(IJER), Vol.3(4), pp.493-502, 2009.
38. [38] S. Brin, R. Motwani, and C. Silverstein. "Beyond market baskets: Generalizing association rules to correlations", in Proceedings of the 1997 ACM SIGMOD international conference on Management of data, pp.265-276, 1997.
39. [39] Zhang, Chengqi, and Shichao Zhang. "Association rule mining: models and algorithms", Association rules, Heidenberg: Springer, Vol. 2307, 2003, pp. 25-197.
40. [40] R. Ramezani, M. Saraee and M. A. Nematbakhsh, "Finding association rules in linked data, a centralization approach," 2013 21st Iranian Conference on Electrical Engineering (ICEE), Mashhad, 2013, pp. 1-6.
41. [41] R. Agarwal, and R. Srikant. "Fast algorithms for mining association rules". in Proc. of the 20th VLDB Conference, Vol.1215, 1994, pp. 487-499.
42. [42] http://www.irimo.ir/.
43. [43] J.-P. Chilès, and N. Desassis, Fifty years of kriging, in Handbook of mathematical geosciences, Springer, Cham. 2018,
44. [44] http://airnow.tehran.ir/.
45. [45] A. Ruano, Motter FR, Lopes LCDesign and validity of an instrument to assess healthcare professionals' perceptions, behaviour, self-efficacy and attitudes towards evidence-based health practice: I-SABEBMJ Open 2022;12:e052767. doi: 10.1136/bmjopen-2021-052767.
46. [46] D.M. Allen, "The relationship between variable selection and data agumentation and a method for prediction". technometrics, Vol.16(1), pp. 125-127, 1974.
47. [47] M. Stone, "Cross‐validatory choice and assessment of statistical predictions", Journal of the Royal Statistical Society: Series B (Methodological), Vol.36(2), pp. 111-133, 1974.
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Heydari M R, Pahlavani P, Bigdeli B. Providing The Classification And Prediction of PM2.5 Pollutant Map Using Machine Learning Methods And Extracting Association Rules. jgit 2023; 10 (4) :67-85
URL: http://jgit.kntu.ac.ir/article-1-877-fa.html

حیدری محمدرضا، پهلوانی پرهام، بیگدلی بهناز. تهیه نقشه طبقه بندی و پیش‌بینی آلاینده PM2.5 با استفاده از روش های یادگیری ماشین و استخراج قوانین انجمنی. مهندسی فناوری اطلاعات مکانی. 1401; 10 (4) :67-85

URL: http://jgit.kntu.ac.ir/article-1-877-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 10، شماره 4 - ( 12-1401 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.05 seconds with 38 queries by YEKTAWEB 4652