ارائه یک روش مبتنی بر یادگیری ماشین برای تلفیق محصولات آئروسل سنجندۀ مادیس جهت بهبود تخمین PM2.5، به‌عنوان یکی از مهم‌ترین مخاطرات زیست‌محیطی در شهر تهران

جغرافیا و مخاطرات محیطی

مقاله 6، دوره 12، شماره 3 - شماره پیاپی 47، پاییز 1402، صفحه 101-122   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/geoeh.2023.79402.1296

نویسندگان

علی میرزایی¹؛ حسین باقری^{* 2}؛ مهران ستاری²

¹کارشناسی ارشد دانشکدۀ مهندسی عمران و حمل‌ونقل، دانشگاه اصفهان، اصفهان، ایران

²استادیار گروه مهندسی نقشه‌برداری، دانشکده مهندسی عمران و حمل‌ونقل، دانشگاه اصفهان، ایران

چکیده

افزایش بحران‌های محیط‌زیست در جهان باعث شده است تا در دهه‌های اخیر اهمیت مطالعه در مورد مسائل زیست‌محیطی افزایش یابد. آلودگی هوا در ردیف یکی از زیان‌بارترین مخاطرات طبیعی قرار گرفته است. ذرات معلق در هوا 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) است. 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 غلظت PM2.5 می‌گردد. هدف این مقاله بررسی امکان تلفیق محصولات AOD حاصل از مشاهدات سنجندۀ MODIS (بازیابی شده توسط الگوریتم‌های Deep Blue و Dark Target) به‌منظور تخمین دقیق‌تر PM2.5 است. در این مطالعه، نخست با انجام آزمایش بر روی الگوریتم‌های مختلف یادگیری ماشین و بررسی عملکرد آن‌ها در تخمین PM2.5 از روی‌داده‌های 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 و  نسبت به حالت‌هایی که محصولات به‌صورت منفرد استفاده شدند، بهتر است (0.77= ، 7.00 MAE = ، 9.59 RMSE=). علاوه بر افزایش دقت، روش پیشنهادی ساده و از نظر محاسباتی کم‌هزینه است. علاوه بر این در این تحقیق مشخص گردید، توجه به نشانگر کیفی بازیابی محصولات AOD، زمینۀ دستیابی به یک محصول تلفیقی دقیق‌تر را فراهم خواهد کرد.

کلیدواژه‌ها

عمق نوری آئروسل؛ تلفیق داده؛ سنجندۀ MODIS؛ PM2.5؛ الگوریتم XGBoost

مراجع