ارائه یک روش مبتنی بر یادگیری ماشین برای تلفیق محصولات آئروسل سنجنده‌ی مادیس جهت بهبود تخمین PM2.5، به عنوان یکی از مهمترین مخاطرات زیست محیطی در شهر تهران

نوع مقاله : مقاله پژوهشی

نویسندگان

• علی میرزایی ¹
• حسین باقری ²
• مهران ستاری ²

¹ گروه مهندسی نقشه برداری، دانشکده مهندسی عمران و حمل و نقل، دانشگاه اصفهان، اصفهان، ایران

² دانشکده‌ی مهندسی عمران و حمل و نقل، دانشگاه اصفهان، اصفهان، ایران

10.22067/geoeh.2023.79402.1296

چکیده

آلودگی هوا در ردیف یکی از زیان‌بارترین مخاطرات طبیعی قرار گرفته است. ذرات معلق درهوا با قطر کمتر از 2.5 میکرومتر (PM2.5) یکی از خطرناک‌ترین و مضرترین نوع ذرات در میان آلاینده‌های مختلف هوا برای سلامتی انسان هستند. یکی از تکنیک‌های تخمین PM2.5 استفاده از محصولات عمق نوری آئروسل (AOD) می‌باشد. محصولات مختلف AOD با الگوریتم‌های متفاوتی بازیابی می‌شوند که دارای دقت و قدرت تفکیک مکانی یکسانی نمی‌باشند. به دلیل تفاوت در فرضیات و تقریبات زیادی که در مراحل بازیابی AOD ها اتخاذ می‌شود، محصولات AOD تولید شده دارای عدم قطعیت هستند. این موضوع، باعث کاهش دقت تخمین میزان غلظت PM2.5 می‌گردد. هدف این مقاله بررسی امکان تلفیق محصولات AOD حاصل از مشاهدات سنجنده‌ی MODIS (بازیابی شده توسط الگوریتم‌های Deep Blue و Dark Target) به‌منظور تخمین دقیق‌تر PM2.5 می‌باشد. در این مطالعه، نخست با انجام آزمایش بر روی الگوریتم‌های مختلف یادگیری ماشین و بررسی عملکرد آن‌ها در تخمین PM2.5 از روی داده‌های AOD، الگوریتم XGBoost به‌عنوان الگوریتم پایه در روش‌ تلفیق پیشنهادی انتخاب شد. سپس محصول AOD تلفیقی با استفاده از یک روش وزن‌دهی مبتنی بر کیفیت بازیابی محصولات اولیه، تولید شد. محصول تلفیقی به همراه داده‌های هواشناسی و الگوریتم XGBoost برای تخمین PM2.5 مورد استفاده قرار گرفت. نتایج حاصل از تلفیق نشان داد که دقت تخمین PM2.5 محصول تلفیقی در هر سه شاخص RMSE، MAE وR^2 نسبت به حالت‌هایی که محصولات به صورت منفرد استفاده شدند، بهتر است (0.77= R^2، 7.00 (µg)/m^3 MAE = ، 9.59 (µg)/m^3 RMSE=).

کلیدواژه‌ها

• عمق نوری آئروسل
• تلفیق داده
• سنجنده‌ی MODIS
• الگوریتم PM2.5
• XGBoost

---