ارائه یک روش مبتنی بر یادگیری ماشین برای تلفیق محصولات آئروسل سنجنده ی مادیس جهت بهبود تخمین PM۲.۵، به عنوان یکی از مهمترین مخاطرات زیست محیطی در شهر تهران

آلودگی هوا در ردیف یکی از زیان بارترین مخاطرات طبیعی قرار گرفته است. ذرات معلق درهوا با قطر کمتر از ۲.۵ میکرومتر (PM۲.۵) یکی از خطرناک ترین و مضرترین نوع ذرات در میان آلاینده های مختلف هوا برای سلامتی انسان هستند. یکی از تکنیک های تخمین PM۲.۵ استفاده از محصولات عمق نوری آئروسل (AOD) می باشد. محصولات مختلف AOD با الگوریتم های متفاوتی بازیابی می شوند که دارای دقت و قدرت تفکیک مکانی یکسانی نمی باشند. به دلیل تفاوت در فرضیات و تقریبات زیادی که در مراحل بازیابی AOD ها اتخاذ می شود، محصولات AOD تولید شده دارای عدم قطعیت هستند. این موضوع، باعث کاهش دقت تخمین میزان غلظت PM۲.۵ می گردد. هدف این مقاله بررسی امکان تلفیق محصولات AOD حاصل از مشاهدات سنجنده ی MODIS (بازیابی شده توسط الگوریتم های Deep Blue و Dark Target) به منظور تخمین دقیق تر PM۲.۵ می باشد. در این مطالعه، نخست با انجام آزمایش بر روی الگوریتم های مختلف یادگیری ماشین و بررسی عملکرد آن ها در تخمین PM۲.۵ از روی داده های AOD، الگوریتم XGBoost به عنوان الگوریتم پایه در روش تلفیق پیشنهادی انتخاب شد. سپس محصول AOD تلفیقی با استفاده از یک روش وزن دهی مبتنی بر کیفیت بازیابی محصولات اولیه، تولید شد. محصول تلفیقی به همراه داده های هواشناسی و الگوریتم XGBoost برای تخمین PM۲.۵ مورد استفاده قرار گرفت. نتایج حاصل از تلفیق نشان داد که دقت تخمین PM۲.۵ محصول تلفیقی در هر سه شاخص RMSE، MAE وR^۲ نسبت به حالت هایی که محصولات به صورت منفرد استفاده شدند، بهتر است (۰.۷۷= R^۲، ۷.۰۰ (µg)/m^۳ MAE = ، ۹.۵۹ (µg)/m^۳ RMSE=).

ارائه یک روش مبتنی بر یادگیری ماشین برای تلفیق محصولات آئروسل سنجنده ی مادیس جهت بهبود تخمین PM۲.۵، به عنوان یکی از مهمترین مخاطرات زیست محیطی در شهر تهران Keywords:

عمق نوری آئروسل , تلفیق داده , سنجنده ی MODIS , الگوریتم PM۲.۵ , XGBoost