فهرست نشریات علمی دسترسی آزاد ایران

سابقه و هدف: آلودگی هوا، به‌ویژه ذرات معلق (PM2.5 وPM10)، یکی از چالش‌های جدی در شهرهای بزرگ است که پیامدهای مخربی برای سلامت عمومی، زیست‌بوم‌ها و کیفیت زندگی دارد. این تأثیرات، در مناطق پرجمعیتی مانند تهران، به‌وضوح بیشتر احساس می‌شود. ازاین‌رو نظارت و پیش‌بینی دقیق کیفیت هوا برای تصمیم‌گیری‌های مؤثر در حوزة سیاست‌گذاری و سلامت عمومی ضروری است. بااین‌حال محدودیت پوشش مکانی ایستگاه‌های زمینی سنجش کیفیت هوا مانع از ثبت کامل تغییرات کیفیت هوا در سطح شهر می‌شود. در این پژوهش، برای غلبه بر این محدودیت، از تصاویر ماهواره‌ای لندست‌ـ 8 و سنتینل‌ـ 2 استفاده شده است تا مدل‌هایی، برای پیش‌بینی غلظت ذرات معلق، به‌ویژه PM2.5 و PM10، توسعه داده شود. در این مطالعه، داده‌های بازتاب طیفی ماهواره‌ای و مدل‌های یادگیری ماشین ترکیب شد تا کارآمدترین مدل‌ها، برای پیش‌بینی آلودگی هوا و تعیین باندهای طیفی مؤثر در برآورد غلظت ذرات معلق، شناسایی شود. مواد و روش‌ها : در گام نخست، از روابط تک‌باندی و ترکیب باندها استفاده شد تا مدل‌های رگرسیون خطی، برای ایجاد ارتباط خطی بین بازتاب طیفی و غلظت ذرات معلق، توسعه یابد. سپس برای مدل‌سازی روابط پیچیده‌تر بازتاب طیفی و ذرات معلق، روابط غیرخطی بررسی شدند. برای بهینه‌سازی انتخاب باندهای طیفی، رویکرد ترکیبی GA-SVR به‌ کار رفت؛ به‌طوری‌ که الگوریتم ژنتیک (GA)، برای شناسایی ترکیب بهینة باندهای طیفی، و الگوریتم ژنتیک و رگرسیون بردار پشتیبان (SVR) برای ساخت یک مدل پیش‌بینی قوی‌تر، روی مجموعة ویژگی‌های بهینه‌شده اعمال شد. معیارهای ارزیابی R²، RMSE و میانگین خطای مطلق (MAE) برای سنجش و مقایسة اثربخشی هریک از روش‌های مدل‌سازی به کار رفتند. به‌منظور ارزیابی تعمیم‌پذیری، داده‌ها به دو بخش آموزشی (70%) و آزمایشی (30%) تقسیم شد. علاوه‌بر این، برای اطمینان از استحکام مدل، از روش اعتبارسنجی متقابل بهره گرفته شد. نتایج و بحث: تحلیل‌ها نشان داد که باندهای طیف مرئی، در هر دو ماهوارة لندست‌ـ 8 و سنتینل‌ـ 2، ارتباط معناداری با غلظت PM2.5 و PM10 دارند. مدل‌های رگرسیون خطی، با استفاده از باندهای 1 و 2 لندست‌ـ 8 و باندهای 2، 3 و 4 سنتینل‌ـ 2، همبستگی شایان ‌توجهی در داده‌های آموزشی ایجاد کردند. مقدار R² برای PM2.5 در لندست‌ـ 8 به‌ترتیب، در داده‌های آموزشی و آزمایشی، 56/70% و 24/67% بود؛ درحالی‌که این مقدار در سنتینل‌ـ 2، برای داده‌های آزمایشی به 89/68% رسید. مقادیر RMSE برای داده‌های آموزشی و آزمایشی لندست‌ـ 8 به‌ترتیب، 01/7 و 48/7 بود؛ درصورتی‌که در سنتینل‌ـ 2، مقادیر 93/6 و 32/7 ثبت شد که نشان‌دهندة عملکرد برتر سنتینل‌ـ 2 است. در مدل‌های رگرسیون غیرخطی، نتایج نشان داد که مدل‌های توانی مقادیر شایان ‌توجهی از R² را به دست می‌دهند. در این مدل‌ها، مقادیر NRMSE بین 066/0 تا 115/0 محاسبه شد که در قیاس با مدل‌های خطی، دقت بیشتر داشتند. مدل‌های رگرسیون غیرخطی توانایی بیشتری در مدل‌سازی روابط پیچیده دارند اما، به‌دلیل بار محاسباتی زیاد و افزایش محدود دقت، استفاده از مدل‌های خطی همراه با بهینه‌سازی مبتنی‌بر یادگیری ماشین، به‌منزلة رویکردی کارآمدتر، توصیه می‌شود. مدل GA - SVR بیشترین دقت را در پیش‌بینی‌ها داشت و نشان داد که طول‌موج‌های کوتاه‌تر بیشترین توانایی را در پیش‌بینی غلظت ذرات معلق دارند. با بهینه‌سازی انتخاب ویژگی‌ها، این مدل به R ² حدود 70% دست یافت. این نتایج حاکی از توان بالای مدل GA-SVR در بهبود دقت پیش‌بینی است. نتیجه‌گیری: نتایج نشان داد که باندهای طیف مرئی در مدل‌های پیش‌بینی کیفیت هوا بیشترین تأثیر را دارند. مدل‌سازی با سنتینل‌ـ 2 و استفاده از باندهای بهینة شناسایی‌شده ازطریق روش GA-SVR بیشترین دقت را در پیش‌بینی PM2.5 داشت. تحلیل مقایسه‌ای نشان داد، در عین اینکه مدل‌های رگرسیون خطی عملکرد مورد قبولی دارند، ترکیب بهینه‌سازی ویژگی‌ها و یادگیری‌ ماشین سبب افزایش چشمگیر در دقت پیش‌بینی می‌شود و اطلاعات ارزشمندی، دربارة باندهای طیفی مؤثر، برای نظارت بر PM فراهم می‌کند. مدل GA-SVR، با مقدار R ² نزدیک به 70%، بیانگر توانمندی مدل‌های بهینه‌شده برای نظارت دقیق و به‌موقع بر کیفیت هوا در مقیاس‌های مکانی گوناگون است. .