برآورد غلظت ذرات PM۲.۵ در سطح شهر تهران با استفاده از داده های ماهواره ای و مدل های یادگیری عمیق

هدف این مقاله بررسی امکان تخمین غلظت ذرات معلق کمتر از ۲,۵ میکرون (PM۲.۵) از روی تصاویر ماهواره ای با استفاده از الگوریتم های یادگیری عمیق هست. برای این بررسی شهر تهران به عنوان ناحیه مورد مطالعه انتخاب گردید کهتخمین ذرات PM۲.۵ با دقت و توان تفکیک مکانی بالا به دلیل وجود منابع مختلف آلودگی هوا چالش برانگیز است. به طور معمول برای اندازه گیری PM۲.۵ از مشاهدات و اندازه گیری های زمینی که توسط ایستگاه های زمینی کنترل کیفیت هواو ایستگاه های سینوپتیک هواشناسی بدست می آیند استفاده می گردد. اما به علت عدم وجود تعداد کافی ایستگاه های زمینیبا توزیع مناسب، تخمین دقیق میزان آلودگی هوا با ذرات معلق با مانع روبرو می گردد. به عنوان یک راه حل در این مقاله، امکان تخمین ذرات معلق PM۲.۵ از روی داده های ایروسل با رزولوشن بالا جمع آوری شده توسط ماهواره (MODIS(Aqua/Terra مورد بررسی قرار گرفته است. برای این منظور، الگوریتم های مختلف مبتنی بر یاد گیری عمیق همانند شبکه های مولد تخاصمی، شبکه باور عمیق بولتزمن و شبکه خودرمزنگار عمیق برای تخمین مقادیر غلظت PM۲.۵ از روی مقادیر ایروسل جمع آوری شده توسط تصاویر ماهواره MODS مورد استفاده قرار گرفت و نتایج حاصل از مدلسازی با استفاده از شبکه های مختلف یادگیری عمیق مقایسه گردید. نتایج نشان داد که بهترین مدلسازی با ضریب همبستگی۰,۷۵۰ و خطای جذر میانگین مربعات ۹,۱۰ میکروگرم بر متر مکعب با استفاده از شبکه خود رمزنگار عمیق حاصل می گردد.

Keywords:

یادگیری عمیق , شبکه های خود رمز نگار , شبکه های مولد تخاصمی , شبکه باور عمیق بولتزمن , غلظت PM۲.۵ , ایروسل , MODIS