فهرست نشریات علمی دسترسی آزاد ایران

آلودگی گرد و غبار یکی از چالش‌های زیست‌محیطی در مناطق خشک و نیمه‌خشک است که تأثیرات زیان‌بار آن بر سلامت عمومی، کشاورزی، منابع‌آبی و زیرساخت‌ها حائز اهمیت است. در این پژوهش به منظور پیش‌بینی آلودگی ریزگرد (PM10) شهر اهواز، از شاخص AOD ماهواره مودیس در بازه زمانی ۲۰۱۶ تا ۲۰۲۲ استفاده شد و چهار تکنیک یادگیری ماشین شامل XGBoost، SGB، LSTM و MLP به کار گرفته شد. برای این منظور ابتدا با استفاده از مدل HYSPLIT، مسیرهای ریزگرد ردیابی و فراوانی آن بررسی شد. سپس با استفاده از تصاویر تروکالر ماهواره، ایستگاه‌های مجازی در مسیر حرکت ریزگرد تعیین و از مقادیر AOD این نقاط به عنوان داده‌های ورودی به مدل‌های پیش‌بینی استفاده شد. نتایج نشان داد که همبستگی داده‌های شاخص AOD ماهواره‌ای با داده‌های واقعی PM10 در سال‌های 2021 و 2022 در حد 01/0 معنادار بوده و ضرایب تعیین به ترتیب 89/0 و 85/0 به دست آمد. بررسی نقشه‌های مسیریابی ریزگردها مشخص کرد که گرد و غبار از مبدأ کشور عراق به اهواز منتقل شده است. میانگین داده‌هایAOD از هشت ایستگاه مجازی در یک گام زمانی به عقب برای پیش‌بینی یک هفته ای استفاده شد. نتایج نشان داد که روش XGBoost با میانگین مطلق خطا 08/0 و ضریب تعیین 87/0 عملکرد بهتری نسبت به سایر مدل‌ها داشت. همچنین، مدل‌های SGB و LSTM به ترتیب در رتبه‌های بعدی و MLP کمترین دقت را داشته است. نتایج پیش‌بینی هفت روزه نشان داد که مدل‌های بوستینگ، به‌ویژه XGBoost، توانایی بالایی در درک نوسانات داده‌ها دارد. نتایج این پژوهش نشان می‌دهد که داده‌های ماهواره‌ای AOD و مدل‌های پیشرفته یادگیری ماشین ابزارهای مؤثری برای پیش‌بینی و مدیریت آلودگی گرد و غبار می‌باشد.