Journal of Geospatial Information Technology

fa تهیه نقشه طبقه بندی و پیش‌بینی آلاینده PM2.5 با استفاده از روش های یادگیری ماشین و استخراج قوانین انجمنی Providing The Classification And Prediction of PM2.5 Pollutant Map Using Machine Learning Methods And Extracting Association Rules سیستمهای اطلاعات مکانی (عمومی) GIS پژوهشي Research 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.   Air pollution is caused by the presence of various pollutants in the air, which is mostly related to the presence of particulate matters, especially particulate pollutant concentrations which are smaller than 2.5 microns (PM2.5). Predicting and identifying the infected areas will help us in managing and planning. Therefore, in order to identify these places, it is necessary to provide the maps of classification and the prediction maps of the PM2.5 pollution. The Supervised Machine Learning Methods used in this study, were Support Vector Machine, Multilayer Neural Network, and Decision Tree for classifying and predicting the PM2.5 pollutant maps in Tehran city. Moreover, to identify the effect of the spatial parameters, the Association Rules Mining Method was used. The Support Vector Machine Method with 87.3 percent for overall accuracy and 81.5 percent for the Kappa index was selected as the best classifier. This method was used to predict the concentration of the pollutants on the third day, which was able to predict the third day with 80.7 percent for the overall accuracy and 71.1 percent for the Kappa index. The findings indicate that the Support Machine Vector Method performs modeling and predicting with higher accuracy than the other methods. Attention to the influence of  the spatial parameters in stronger association rules, the amount of the pollution of the nearest two neighborhoods, topography, temperature, air pressure, rainfall, intensity of air inversion, relative humidity, wind speed, wind direction, month of the year, day of the week, hour of the day had the greatest impact on determining the pollutant class.   آلودگی‌هوا, آلاینده PM2.5, پارامترهای مکانی, یادگیری ماشین نظارت شده, قوانین انجمنی Air Pollution, PM2.5 pollutant, Spatial parameters, Supervised Machine Learning, Associative Rules. 67 85 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-102-17&slc_lang=fa&sid=1 Mohammad Reza Heydari محمدرضا حیدری mohamadr.heydari@ut.ac.ir 10031947532846009144 10031947532846009144 No University of Tehran دانشگاه تهران Parham Pahlavani پرهام پهلوانی pahlavani@ut.ac.ir 10031947532846009145 10031947532846009145 Yes University of Tehran دانشگاه تهران Behnaz Bigdeli بهناز بیگدلی bigdeli@shahroodut.ac.ir 10031947532846009146 10031947532846009146 No Shahrood University of Technology دانشگاه صنعتی شاهرود