در کشورهای درحال‌توسعه، اکثر شهرهای بزرگ به طور فزاینده‌ای با آلودگی هوا به‌عنوان عاملی تأثیرگذار بر کیفیت زندگی و سلامت عمومی جامعه مواجه هستند. ناحیه کلان‌شهری تهران نیز به‌واسطه تراکم جمعیتی بالا یکی از مناطق مهم در ایران محسوب می‌گردد. صنایع آلاینده به همراه استفاده از وسایل نقلیه از جمله مهم‌ترین عواملی محسوب می‌گردد که موجب شده است تا این شهر به‌عنوان آلوده‌ترین کلان‌شهر کشور محسوب گردیده و متعاقباً لازم است تا در جهت کاهش آلودگی هوا در این شهر برنامه‌ریزی مؤثری انجام شود. یکی از مهم‌ترین اقدامات در زمینه کاهش آلودگی هوا، پیش‌بینی مقادیر غلظت آلاینده‌ها می‌باشد که می‌تواند تصمیم‌گیری و برنامه‌ریزی و ارائه راهکارهای مناسب را بهبود بخشد. ازآنجایی‌که نیاز به روش‌های دقیق‌تر برای پیش‌بینی آلاینده‌های هوا جهت مدیریت بهتر این مقوله وجود دارد، به نظر می‌رسد استفاده از روش‌های ترکیبی جهت مدل‌سازی آلاینده‌ها می‌تواند حرکتی مهم در این راستا باشد. در این پژوهش، پارامترهای تأثیرگذار بر غلظت آلاینده‌ها در قالب ۴ دسته عوامل ترافیکی، غلظت آلاینده‌ها در روزهای قبلی، داده‌های هواشناسی و عوامل مکانی به‌عنوان ورودی مدل‌ها مورداستفاده قرار گرفتند و ماکزیمم غلظت آلاینده‌ها در هر روز به‌عنوان خروجی مدل در نظر گرفته شد. هدف این پژوهش بررسی عملکرد روش‌های انتخاب ویژگی جنگل تصادفی و تبدیل موجک در ترکیب با روش‌های رگرسیون چندمتغیره و شبکه عصبی مصنوعی پرسپترون چندلایه، جهت دستیابی به مدلی کارا به‌منظور پیش‌بینی آلاینده‌های منو اکسید کربن، دی‌اکسید نیتروژن، دی‌اکسید گوگرد و PM2.5 می‌باشد. نتایج به‌دست‌آمده نشان داد که مدل‌سازی همه آلاینده‌ها با استفاده از شبکه عصبی پرسپترون چندلایه در ترکیب با روش تبدیل موجک صحت بالاتری را نسبت به مدل‌های دیگر ارائه می‌نماید. همچنین صحت پیش‌بینی آلاینده منو اکسید کربن (خطای استاندارد برابر با 8/19 درصد) نسبت به آلاینده‌های دیگر پایین‌تر بود درحالی‌که صحت پیش‌بینی آلاینده PM2.5 (خطای استاندارد برابر با 0/17 درصد) بالاتر از سایر آلاینده‌ها بود. علاوه بر این، باتوجه‌به پارامترهای انتخاب شده توسط روش انتخاب ویژگی با استفاده از جنگل تصادفی، پارامترهای غلظت آلاینده ها در روزهای قبل از اهمیت بالایی به منظور پیش‌بینی آلاینده‌های مختلف برخوردارند. تفاصيل المقالة