فهرست نشریات علمی دسترسی آزاد ایران

مقدمه و هدفدر سال‌های گذشته، آلودگی هوا، به‌ویژه افزایش غلظت ذرات معلق PM2.5، به‌عنوان یکی از چالش‌های مهم زیست‌محیطی مطرح‌شده است. استان سیستان و بلوچستان به‌دلیل موقعیت جغرافیایی ویژه و قرارگیری در مسیر بادهای ۱۲۰ روزه سیستان، همراه با کاهش بارندگی‌های سالانه، شرایط مساعدی برای شکل‌گیری و تشدید پدیده گرد و غبار دارد. در این راستا، پدیده‌های پیوند از دور s) بر تغییرات اقلیمی و به تبع آن بر کیفیت هوا نقش مهمی دارند. هدف اصلی این پژوهش، ارزیابی اثرات شاخص‌های پیوند از دور بر تغییرات غلظت PM2.5 در استان سیستان و بلوچستان با استفاده از مدل‌های پیشرفته یادگیری ماشین بود. ازاین‌رو، داده‌های هواشناسی و غلظت PM2.5 در دو دهه از ایستگاه‌های زاهدان و خاش جمع‌آوری و با شاخص‌های پیوند از دور تلفیق شدند. سپس، با به‌کارگیری روش‌های تحلیل همبستگی و انتخاب ویژگی‌، پنج مدل یادگیری ماشین ارزیابی شدند و بهترین مدل برای برآورد غلظت ذرات معلق PM2.5 شناسایی شدند. نتایج این پژوهش، هم به درک بهتر روابط پیچیده میان نوسانات اقلیمی و کیفیت هوا منجر شد و هم با ارائه یک چارچوب تحلیلی دقیق، ابزار کاربردی برای سیاست‌گذاران در مدیریت آلودگی هوا فراهم آورد. مواد و روش‌هادر این پژوهش از یک چارچوب تحلیلی چندمرحله‌ای جامع بهره‌گرفته شد و داده‌های هواشناسی و غلظت ذرات PM2.5 از ایستگاه‌های زاهدان و خاش در دوره ۲۰۰۰ تا ۲۰۲۱ جمع‌آوری شد و با داده‌های شاخص پیوند از دور مرکز پیش‌بینی اقلیم NOAA تکمیل شد. پس از پیش‌پردازش دقیق داده‌ها که شامل بررسی کیفیت داده‌ها (بررسی اندازه‌های غیرممکن یا ناهنجار PM2.5 و اصلاح یا حذف اندازه‌های مشکوک)، همزمان‌سازی زمانی داده‌ها (تطبیق داده‌های PM2.5 و شاخص‌های پیوند از دور بر اساس تاریخ برای اطمینان از همزمانی اندازه‌های مستقل و وابسته) و جایگزینی داده‌های مفقود (با استفاده از نزدیک‌ترین اندازة معتبر، میانگین‌گیری زمانی و درون‌یابی‌های آماری برای حفظ توزیع اصلی داده‌ها) بود، یک رویکرد تحلیلی دوگانه اجرا شد. ابتدا از تحلیل همبستگی پیرسون برای سنجش روابط خطی میان شاخص‌های پیوند از دور و سطوح PM2.5 استفاده شد. سپس، با کاربرد الگوریتم Boruta موثرترین ویژگی‌ها با تأخیرهای زمانی صفر تا ۶ ماهه شناسایی شد. پنج مدل پیشرفته یادگیری ماشین شامل Bagged CART، LightGBM، Gradient Boosting، Random Forest و XGBoost ارزیابی شدند که ۷۰% داده‌ها برای آموزش و 30% برای اعتبارسنجی مدل استفاده شد. ارزیابی عملکرد با سه معیار ریشه میانگین مربعات خطا (RMSE)، میانگین درصد خطای مطلق (MAPE) و ضریب تبیین (R²) انجام شد و برای تفسیرپذیری مدل‌ها، چهار روش پیشرفته شامل اهمیت ویژگی‌های جایگشتی (PFI)، اندازه‌های SHAP مبتنی بر تئوری بازی‌ها، تحلیل حساسیت Sobol و نمودارهای وابستگی جزئی (PDP) به‌کار گرفته شد. کلیه تحلیل‌ها در محیط نرم‌افزار R (نسخه ۴.۲.۰) انجام شد.نتایج و بحثنتایج نشان داد که اثر شاخص‌های پیوند از دور بر غلظت ذرات PM2.5 در ایستگاه‌های زاهدان و خاش معنادار بود. در ایستگاه زاهدان، بیشترین همبستگی مثبت مربوط به شاخص PDO (0/158 با تأخیر 5 ماهه) و شاخص AMO (0/212 با تأخیر صفر ماهه) بود. از سوی دیگر، بیشترین همبستگی منفی مربوط به شاخص AMM (0/336- با تأخیر 2 ماهه) و شاخص WHWP (0/420- با تأخیر 4 ماهه) بود. در ایستگاه خاش، بیشترین همبستگی مثبت مربوط به شاخص PDO (0/159 با تأخیر 2 ماهه) و بیشترین همبستگی منفی مربوط به WHWP (0/385- با تأخیر 4 ماهه) بود. تحلیل اهمیت ویژگی‌ها با روش Boruta نشان داد بیشترین نقش پیش‌بینی‌کننده PM2.5 مربوط به شاخص WHWP با میانگین اهمیت 13/63 با تأخیر 6 ماهه در زاهدان و با میانگین اهمیت 10/51 با تأخیر 5 ماهه در خاش بود. در ارزیابی مدل‌ها، XGBoost به‌عنوان برترین مدل با دقت استثنایی (0/989=R² در زاهدان و 0/994-0/993=R² در خاش) و حداقل خطا (3/07-2/36MAPE= در زاهدان و 1/8-1/5MAPE= در خاش) شناخته شد. نتایج تحلیل‌های حساسیت نشان داد بیشترین اثر مربوط به شاخص AMM (با امتیاز اهمیت 685 در زاهدان و 561 در خاش) بود. از سوی دیگر، با زمان‌های تأخیر خاص، رفتار شاخص‌های WHWP و AMO غیرخطی و پیچیده بود. به‌طور کلی نتایج بیانگر اثرات قابل توجه نوسانات اقیانوسی-جوی (با ضریب‌های همبستگی میان 0/15 تا 0/42 و امتیازهای اهمیت متغیر میان 5/6 تا 13/6) بر کیفیت هوای منطقه بود. دقت عملکرد مدل XGBoost در پیش‌بینی بلندمدت PM2.5 در منطقه مطالعه‌شده بسیار زیاد بود.نتیجه‌گیری و پیشنهادهانتایج این پژوهش نشان داد که بیشترین همبستگی مثبت با غلظت PM2.5 در ایستگاه زاهدان مربوط به شاخص‌های PDO و AMO بود و بیشترین همبستگی منفی مربوط به شاخص‌های AMM و WHWP بود. مدل XGBoost به‌عنوان بهترین مدل پیش‌بینی با بیشترین دقت و کمترین خطا شناخته شد. همچنین، نتایج تحلیل‌های SHAP و PDP نشان داد که اثرات شاخص‌های AMM و WHWP بر غلظت PM2.5 پیچیده و غیرخطی است و تأخیر زمانی نیز بسیار مهم است. در ایستگاه خاش نیز مهمترین نقش در پیش‌بینی PM2.5 مربوط به شاخص‌های AMM، AMO، PDO و WHWP بود که بیانگر اثرات قابل ‌توجه نوسانات اقلیمی بر کیفیت هوا است. این یافته‌ها بیانگر اهمیت روابط غیرخطی و آستانه‌های بحرانی در مدل‌سازی کیفیت هوا بود. بر پایة نتایج این پژوهش، به‌منظور تصمیم‌ها و اقدامات پیشگیرانه پیشنهاد می‌شود شاخص‌های پیوند از دور در پیش‌بینی دوره‌های با غلظت زیاد ذرات معلق، پیوسته پایش شوند. همچنین، پیشنهاد می‌شود بر اساس تفاوت‌های مشاهده‌شده میان دو ایستگاه (زاهدان و خاش)، به ویژگی‌های محلی و منطقه‌ای در مدل‌سازی کیفیت هوا بیشتر توجه شود.