تخمین مکانی – زمانی آلاینده‌های منواکسید کربن و دی‌اکسید نیتروژن شهر تهران مبتنی بر داده‌های حاصل از سنجش‌ازدور و داده‌های کمکی

آلودگی هوا یکی از پیامدهای ناهنجار فعّالیت­های بشر است که نه‌تنها سلامت انسان را تهدید می‌کند؛ بلکه بر همة عوامل محیط‌زیست ازجمله گیاهان و جانوران تأثیر نامطلوب می‌گذارد. تهران به‌عنوان مرکز اداری، سیاسی و اقتصادی کشور و پرجمعیّت­ترین شهر ایران، یکی از آلوده‌ترین شهرهای دنیا به­شمار می­رود. از مدل‌های خطّی و غیر خطّی متعدّدی تاکنون به‌منظور مدل­سازی آلودگی هوا استفاده شده است. در نوشتار پیش رو از ویژگی­های مکانی و زمانی مستخرج از تصاویر سنجش‌ازدور و داده­های محیطی ایستگاه­های پایش آلودگی هوا سازمان محیط‌زیست واقع در سطح شهر تهران پس از پیش‌پردازش‌های لازم به­مثابة ورودی مدل استفاده شد. ازمیان ایستگاه­های آلاینده­سنج موجود در سطح شهر تهران، با درنظرگرفتن پوشش سری زمانی مشترک داده­های ثبت‌شده، تعداد هشت ایستگاه انتخاب شد. به­منظور انجام فرایند مدل‌سازی از روش شبکة عصبی مصنوعی پرسپترون چندلایه با الگوریتم آموزش لونبرگ – مارکوارت و تابع فعّال‌سازی سیگموئیدی استفاده شد. در پژوهش حاضر از داده­های هواشناسی، داده‌های مربوط به غلظت آلاینده‌ها در روزهای قبل، کاربری اراضی و نیز داده‌های مستخرج از تصاویر ماهواره‌ای شامل داده‌های مربوط به پوشش گیاهی و جزایر حرارتی به‌منظور مدل‌سازی غلظت آلاینده‌ها استفاده شد. از روش تبدیل موجک بر روی مقادیر غلظت آلاینده ها در روزهای قبل استفاده گردید و سپس روش انتخاب ویژگی جنگل تصادفی بر روی ویژگی­های ورودی مدل اعمال شد؛ همچنین با توجّه به تغییرات مکانی آلودگی هوا سعی بر آن شد که با استفاده از اطّلاعات هفت ایستگاه، مقادیر غلظت آلایندة یک ایستگاه برآورد شود. نتایج حاصل از ارزیابی مدل بیانگر کارابودن مدل ارائه‌شده در تخمین مقادیر بیشینة روزانه غلظت آلاینده بود. منواکسید کربن و دی‌اکسید نیتروژن به­ترتیب با خطای 13% و 5/11% به‌صورت زمانی پیش‌بینی شدند؛ همچنین این دو آلاینده به‌صورت مکانی با خطای تخمین کمتر از 17% پیش‌بینی شدند.

Keywords:

یادگیری ماشین , شبکة عصبی مصنوعی , مدل‌سازی مکانی - زمانی , منواکسید کربن , دی‌اکسید نیتروژن