فهرست نشریات علمی دسترسی آزاد ایران

مدل‌های مبتنی بر یادگیری ماشین، ابزاری کارآمد جهت تحلیل روابط پیچیده بین پارامترهای کیفی هوا و متغیرهای هواشناسی و تعیین عوامل کلیدی مؤثر 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 (O3, PM2.5) عملکرد 3 مدل درخت –پایه RF، XGBoost،CatBoost و مدل پرسپترون چند لایه (MLP) ساخته شده بر مبنای شبکه عصبی جهت برآورد غلظت روزانه مونوکسید‌کربن فصل زمستان در شهر کرمان ارزیابی شده است. مقایسه مدل‌ها با استفاده از شاخص‌های آماری R2، RMSE و MAE انجام شد و نتایج بدست آمده نشان داد که مدل CatBoost با R2 برابر با 778/0، RMSE برابر با (ppb) 284/0 و MAE برابر با (ppb) 2090 در مرحله تست، بالاترین دقت را در تخمین غلظت منوکسید‌کربن دارد. نتایج مدل‌های XGBoost و RF تقریباً یکسان بود و R2 دو مدل در مرحله تست به ترتیب به 747/0 و 728/0 رسید و مدل MLP با R2 برابر با 693/0، RMSE برابر با (ppb) 308/0 و MAE برابر با (ppb) 236/0کمترین دقت را داشت. این نتایج توانایی مدل‌های درخت-پایه را در مقایسه با مدل ساخته شده بر مبنای شبکه عصبی در برآورد غلظت آلاینده منوکسید‌کربن تأیید می‌کند.