حسین باقری؛ محمدحسن زالی
چکیده
در دهه‌های اخیر، سطح غلظت ذرات معلق در کلان‌شهر تهران افزایش‌یافته است که این امر، مخاطرات فراوانی را برای محیط‌زیست و سلامت شهروندان به همراه داشته است. یکی از خطرناک‌ترین نوع آلودگی‌ها، آلودگی ذرات معلق کمتر از 2.5 میکرون (PM2.5) هست که مدل‌سازی، پایش و پیش‌بینی آن را بسیار حیاتی می‌نماید. برآورد غلظت این ذرات در سطح شهر تهران ...
بیشتر
در دهه‌های اخیر، سطح غلظت ذرات معلق در کلان‌شهر تهران افزایش‌یافته است که این امر، مخاطرات فراوانی را برای محیط‌زیست و سلامت شهروندان به همراه داشته است. یکی از خطرناک‌ترین نوع آلودگی‌ها، آلودگی ذرات معلق کمتر از 2.5 میکرون (PM2.5) هست که مدل‌سازی، پایش و پیش‌بینی آن را بسیار حیاتی می‌نماید. برآورد غلظت این ذرات در سطح شهر تهران به‌دلیل وجود منابع گوناگون آلودگی و کمبود ایستگاه‌های هواشناسی و عدم توزیع مناسب ا‌یستگاه‌ها موضوعی چالش‌برانگیز است. یکی از منابع جایگزین، استفاده از داده‌های به‌دست‌آمده از طریق تصاویر ماهواره‌ای شامل داده‌های ایروسل با توان تفکیک مکانی بالاست. بااین‌حال تخمین مقادیر آلودگی سطحی از روی داده‌های ایروسل ماهواره‌ای به‌سادگی امکان‌پذیر نیست و نیازمند توسعه مدل‌های مناسب نظیر مدل‌های داده مبنا و استفاده از تکنیک‌های یادگیری ماشینی می‌باشد. در این راستا هدف این مقاله ایجاد یک مدل به‌منظور تخمین میزان غلظت ذرات معلق در سطح شهر تهران با استفاده از داده‌های حاصل از مدل‌های هواشناسی و داده‌های ایروسل به‌دست‌آمده از تصاویر ماهواره‌ای مودیس به کمک الگوریتم‌های یادگیری عمیق مولد هست. برای این منظور سه نوع شبکه یادگیری عمیق بر مبنای مدل‌های مولد یعنی شبکه خود رمزنگار عمیق، شبکه باور عمیق بولتزمن و شبکه مولد تخاصمی شرطی برای تخمین غلظت PM2.5 با استفاده از داده‌های زمینی و ماهواره‌ای جمع‌آوری‌شده، توسعه داده شد. سپس ارزیابی دقت مدل‌های ایجادشده توسط شبکه‌های مذکور بر روی داده‌های تست انجام شد و عملکرد آن‌ها مورد بررسی و مقایسه قرار گرفت. ارزیابی دقت نشان داد که شبکه خود رمزنگار ترکیب‌شده با مدل بردار پشتیبان مبنا با همبستگی0.69 و دقت (RMSE) 10.34 میکروگرم بر مترمکعب بالاترین کارایی را در مقایسه با سایر مدل‌ها به‌دست می‌دهد که می‌تواند به‌منظور مدل‌سازی میزان غلظت ذرات در سطح شهر تهران مورد استفاده قرار گیرد.
