جستجوی مقالات مرتبط با کلیدواژه "رگرسیون جنگل تصادفی" در نشریات گروه "آبخیزداری، بیابان، محیط زیست، مرتع"
تکرار جستجوی کلیدواژه «رگرسیون جنگل تصادفی» در نشریات گروه «کشاورزی»جستجوی رگرسیون جنگل تصادفی در مقالات مجلات علمی
-
در چند سال اخیر میزان ریزگردها و دیگر آلاینده های هوا در استان های جنوبی و جنوب غربی ایران افزایش چشمگیری یافته است. یکی از مهمترین متغیرهایی که در این زمینه مورد بررسی قرار می گیرد مقدار PM10 می باشد. با توجه به ضرورت برآورد و پیش بینی آسان تر و کم هزینه تر این متغیر، در تحقیقات مختلف از روش های آماری متفاوتی به بررسی رابطه آن با دیگر متغیرها پرداخته اند. هدف این تحقیق بررسی رابطه بین متغیرهای آب و هوایی شامل دمای هوا (حداکثر، متوسط و حداقل) ، رطوبت نسبی (حداکثر، متوسط و حداقل) ، بارندگی روزانه، دید افقی، جهت و سرعت باد با داده های متغیر آلودگی هوا (PM10) طی دوره آماری 4 ساله (1387 تا 1390) با استفاده از روابط همبستگی و برآورد PM10 با استفاده از مدل آماری جنگل تصادفی بود. برای انجام این تحقیق داده های هواشناسی و داده های PM10 به ترتیب از ایستگاه های سینوپتیک هواشناسی و ایستگاه پایش آلودگی هوای شهر اهواز اخذ شد. برای رسیدن به اهداف تحقیق آنالیز های مختلفی نیز انجام شد. ابتدا باتوجه به نرمال نبودن داده ها، برای بررسی همبستگی بین داده های PM10 و داده های آب و هوایی و تعیین متغیرهای مستقل موثر در برآورد میزان غلظت آن از ضریب همبستگی اسپیرمن استفاده شد. نتایج نشان داد که متغیرهای دید افقی و حداقل دما به ترتیب با 376/0- و 349/0+ بیشترین و بارندگی با 077/0- کمترین همبستگی را با متغیر PM10 از خود نشان دادند. نتایج رگرسیون جنگل تصادفی نیز نشان داد که مهمترین متغیر تاثیرگذار در برآورد میزان PM10، متغیر دید افقی و سپس متغیر دمای حداقل می باشد. ضریب تبیین بدست آمده با استفاده از داده های مشاهده شده و برآورد شده در سطح معنی داری 99 درصد برابر (47/0 R2=) بدست آمد. آنالیز درخت سلسله مراتبی نشان داد که از کل داده های متغیرهای رطوبت نسبی حداکثر، رطوبت نسبی حداقل و دمای حداقل به ترتیب، 396 داده (>205/0 درصد) ، 389 داده (>305/0 درصد) و 387 داده (>5/5 درجه سلسیوس) ، قابلیت تفکیک شدن را نشان دادند و متغیر رطوبت نسبی حداکثر در سطح اول قرار گرفت. بطور کلی این تحقیق نشان داد که در پیش بینی میزان PM10 می توان از داده های دید افقی و حداقل دمای محیط استفاده و با بکارگیری مدل رگرسیون جنگل تصادفی به نتیجه مناسب رسید.کلید واژگان: آلودگی هوا, متغیر های هواشناسی, برآورد غلظت ریزگرد, رگرسیون جنگل تصادفیThe amount of dust and other air pollutants have increased during recent years. The PM10 is one of the most important variables that is used for monitoring and assessment of dust pollution. To predict PM10, different studies have used various statistical methods. In this study, two aims were pursuit: 1) Using of Spearman analysis to determine the relation between PM10 and weather variables such as temperature (maximum, average, minimum), relative Humid (maximum, average, minimum), rain, wind (speed and direction), and visibility, and 2) prediction of PM10 with using of Random Forest model on daily data (in a period study: 2008 to 2011). The results of Spearman analysis were shown that PM10 had most relation with visibility and minimum temperature and least relation with rain, -0.376, +0.349, and -0.077, respectively. In addition, Random Forest analysis was shown that for prediction of PM10, visibility and minimum temperature were very important. Fitting curve between observed and prediction data was shown a medium correlation with Y=0.1686x +183.49 and R2=47/0, sig=0.99. Final sequence of trees of random forest was shown that of all data, just maximum and minimum of relative humid and minimum of temperature were able to classification with 396 (>0.205 %), 389(>0.305 %), and 387 (>5.5 oC) data for each variable, respectively.Keywords: Air pollution, weather variables, estimate of dust concentration, Random Forest regression
نکته
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.