ارائه یک روش مبتنی بر یادگیری ماشین برای تلفیق محصولات آئروسل سنجندۀ مادیس جهت بهبود تخمین PM2.5، به‌عنوان یکی از مهم‌ترین مخاطرات زیست‌محیطی در شهر تهران
افزایش بحران‌های محیط‌زیست در جهان باعث شده است تا در دهه‌های اخیر اهمیت مطالعه در مورد مسائل زیست‌محیطی افزایش یابد. آلودگی هوا در ردیف یکی از زیان‌بارترین مخاطرات طبیعی قرار گرفته است. ذرات معلق در هوا با قطر کمتر از 2.5 میکرومتر (PM2.5) یکی از خطرناک‌ترین و مضرترین نوع ذرات در میان آلاینده‌های مخ...
Saved in:
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Ferdowsi University of Mashhad
2023-09-01
|
| Series: | جغرافیا و مخاطرات محیطی |
| Subjects: | |
| Online Access: | https://geoeh.um.ac.ir/article_43421_6cb3c543f8c69f57d817ab07891216eb.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1832592597782102016 |
|---|---|
| author | علی میرزایی حسین باقری مهران ستاری |
| author_facet | علی میرزایی حسین باقری مهران ستاری |
| author_sort | علی میرزایی |
| collection | DOAJ |
| description | افزایش بحران‌های محیط‌زیست در جهان باعث شده است تا در دهه‌های اخیر اهمیت مطالعه در مورد مسائل زیست‌محیطی افزایش یابد. آلودگی هوا در ردیف یکی از زیان‌بارترین مخاطرات طبیعی قرار گرفته است. ذرات معلق در هوا با قطر کمتر از 2.5 میکرومتر (PM2.5) یکی از خطرناک‌ترین و مضرترین نوع ذرات در میان آلاینده‌های مختلف هوا برای سلامتی انسان هستند. یکی از تکنیک‌های تخمین PM2.5 استفاده از محصولات عمق نوری آئروسل (AOD) است. محصولات مختلف AOD با الگوریتم‌های متفاوتی بازیابی می‌شوند که دارای دقت و قدرت تفکیک مکانی یکسانی نمی‌باشند. به دلیل تفاوت در فرضیات و تقریبات زیادی که در مراحل بازیابی AOD ها اتخاذ می‌شود، محصولات AOD تولید شده دارای عدم قطعیت هستند. این موضوع، باعث کاهش دقت تخمین غلظت PM2.5 می‌گردد. هدف این مقاله بررسی امکان تلفیق محصولات AOD حاصل از مشاهدات سنجندۀ MODIS (بازیابی شده توسط الگوریتم‌های Deep Blue و Dark Target) به‌منظور تخمین دقیق‌تر PM2.5 است. در این مطالعه، نخست با انجام آزمایش بر روی الگوریتم‌های مختلف یادگیری ماشین و بررسی عملکرد آن‌ها در تخمین PM2.5 از روی‌داده‌های AOD، الگوریتم XGBoost به‌عنوان الگوریتم پایه در روش تلفیق پیشنهادی انتخاب شد. سپس محصول AOD تلفیقی با استفاده از یک روش وزن‌دهی مبتنی بر کیفیت بازیابی محصولات اولیه، تولید شد. محصول تلفیقی به همراه داده‌های هواشناسی و الگوریتم XGBoost برای تخمین PM2.5 مورد استفاده قرار گرفت. نتایج حاصل از تلفیق نشان داد که دقت تخمین PM2.5 محصول تلفیقی در هر سه شاخص RMSE، MAE و نسبت به حالت‌هایی که محصولات به‌صورت منفرد استفاده شدند، بهتر است (0.77= ، 7.00 MAE = ، 9.59 RMSE=). علاوه بر افزایش دقت، روش پیشنهادی ساده و از نظر محاسباتی کم‌هزینه است. علاوه بر این در این تحقیق مشخص گردید، توجه به نشانگر کیفی بازیابی محصولات AOD، زمینۀ دستیابی به یک محصول تلفیقی دقیق‌تر را فراهم خواهد کرد. |
| format | Article |
| id | doaj-art-c74bf48c8c0f4234918ba37977ef828a |
| institution | Kabale University |
| issn | 2322-1682 2383-3076 |
| language | English |
| publishDate | 2023-09-01 |
| publisher | Ferdowsi University of Mashhad |
| record_format | Article |
| series | جغرافیا و مخاطرات محیطی |
| spelling | doaj-art-c74bf48c8c0f4234918ba37977ef828a2025-01-21T06:40:46ZengFerdowsi University of Mashhadجغرافیا و مخاطرات محیطی2322-16822383-30762023-09-0112310112210.22067/geoeh.2023.79402.129643421ارائه یک روش مبتنی بر یادگیری ماشین برای تلفیق محصولات آئروسل سنجندۀ مادیس جهت بهبود تخمین PM2.5، به‌عنوان یکی از مهم‌ترین مخاطرات زیست‌محیطی در شهر تهرانعلی میرزایی0حسین باقری1مهران ستاری2کارشناسی ارشد دانشکدۀ مهندسی عمران و حمل‌ونقل، دانشگاه اصفهان، اصفهان، ایراناستادیار گروه مهندسی نقشه‌برداری، دانشکده مهندسی عمران و حمل‌ونقل، دانشگاه اصفهان، ایراناستادیار گروه مهندسی نقشه‌برداری، دانشکده مهندسی عمران و حمل‌ونقل، دانشگاه اصفهان، ایرانافزایش بحران‌های محیط‌زیست در جهان باعث شده است تا در دهه‌های اخیر اهمیت مطالعه در مورد مسائل زیست‌محیطی افزایش یابد. آلودگی هوا در ردیف یکی از زیان‌بارترین مخاطرات طبیعی قرار گرفته است. ذرات معلق در هوا با قطر کمتر از 2.5 میکرومتر (PM2.5) یکی از خطرناک‌ترین و مضرترین نوع ذرات در میان آلاینده‌های مختلف هوا برای سلامتی انسان هستند. یکی از تکنیک‌های تخمین PM2.5 استفاده از محصولات عمق نوری آئروسل (AOD) است. محصولات مختلف AOD با الگوریتم‌های متفاوتی بازیابی می‌شوند که دارای دقت و قدرت تفکیک مکانی یکسانی نمی‌باشند. به دلیل تفاوت در فرضیات و تقریبات زیادی که در مراحل بازیابی AOD ها اتخاذ می‌شود، محصولات AOD تولید شده دارای عدم قطعیت هستند. این موضوع، باعث کاهش دقت تخمین غلظت PM2.5 می‌گردد. هدف این مقاله بررسی امکان تلفیق محصولات AOD حاصل از مشاهدات سنجندۀ MODIS (بازیابی شده توسط الگوریتم‌های Deep Blue و Dark Target) به‌منظور تخمین دقیق‌تر PM2.5 است. در این مطالعه، نخست با انجام آزمایش بر روی الگوریتم‌های مختلف یادگیری ماشین و بررسی عملکرد آن‌ها در تخمین PM2.5 از روی‌داده‌های AOD، الگوریتم XGBoost به‌عنوان الگوریتم پایه در روش تلفیق پیشنهادی انتخاب شد. سپس محصول AOD تلفیقی با استفاده از یک روش وزن‌دهی مبتنی بر کیفیت بازیابی محصولات اولیه، تولید شد. محصول تلفیقی به همراه داده‌های هواشناسی و الگوریتم XGBoost برای تخمین PM2.5 مورد استفاده قرار گرفت. نتایج حاصل از تلفیق نشان داد که دقت تخمین PM2.5 محصول تلفیقی در هر سه شاخص RMSE، MAE و نسبت به حالت‌هایی که محصولات به‌صورت منفرد استفاده شدند، بهتر است (0.77= ، 7.00 MAE = ، 9.59 RMSE=). علاوه بر افزایش دقت، روش پیشنهادی ساده و از نظر محاسباتی کم‌هزینه است. علاوه بر این در این تحقیق مشخص گردید، توجه به نشانگر کیفی بازیابی محصولات AOD، زمینۀ دستیابی به یک محصول تلفیقی دقیق‌تر را فراهم خواهد کرد.https://geoeh.um.ac.ir/article_43421_6cb3c543f8c69f57d817ab07891216eb.pdfعمق نوری آئروسلتلفیق دادهسنجندۀ modispm2.5الگوریتم xgboost |
| spellingShingle | علی میرزایی حسین باقری مهران ستاری ارائه یک روش مبتنی بر یادگیری ماشین برای تلفیق محصولات آئروسل سنجندۀ مادیس جهت بهبود تخمین PM2.5، به‌عنوان یکی از مهم‌ترین مخاطرات زیست‌محیطی در شهر تهران جغرافیا و مخاطرات محیطی عمق نوری آئروسل تلفیق داده سنجندۀ modis pm2.5 الگوریتم xgboost |
| title | ارائه یک روش مبتنی بر یادگیری ماشین برای تلفیق محصولات آئروسل سنجندۀ مادیس جهت بهبود تخمین PM2.5، به‌عنوان یکی از مهم‌ترین مخاطرات زیست‌محیطی در شهر تهران |
| title_full | ارائه یک روش مبتنی بر یادگیری ماشین برای تلفیق محصولات آئروسل سنجندۀ مادیس جهت بهبود تخمین PM2.5، به‌عنوان یکی از مهم‌ترین مخاطرات زیست‌محیطی در شهر تهران |
| title_fullStr | ارائه یک روش مبتنی بر یادگیری ماشین برای تلفیق محصولات آئروسل سنجندۀ مادیس جهت بهبود تخمین PM2.5، به‌عنوان یکی از مهم‌ترین مخاطرات زیست‌محیطی در شهر تهران |
| title_full_unstemmed | ارائه یک روش مبتنی بر یادگیری ماشین برای تلفیق محصولات آئروسل سنجندۀ مادیس جهت بهبود تخمین PM2.5، به‌عنوان یکی از مهم‌ترین مخاطرات زیست‌محیطی در شهر تهران |
| title_short | ارائه یک روش مبتنی بر یادگیری ماشین برای تلفیق محصولات آئروسل سنجندۀ مادیس جهت بهبود تخمین PM2.5، به‌عنوان یکی از مهم‌ترین مخاطرات زیست‌محیطی در شهر تهران |
| title_sort | ارائه یک روش مبتنی بر یادگیری ماشین برای تلفیق محصولات آئروسل سنجندۀ مادیس جهت بهبود تخمین pm2 5، به‌عنوان یکی از مهم‌ترین مخاطرات زیست‌محیطی در شهر تهران |
| topic | عمق نوری آئروسل تلفیق داده سنجندۀ modis pm2.5 الگوریتم xgboost |
| url | https://geoeh.um.ac.ir/article_43421_6cb3c543f8c69f57d817ab07891216eb.pdf |
| work_keys_str_mv | AT ʿlymyrzạyy ạrạỷhyḵrwsẖmbtnybryạdgyrymạsẖynbrạytlfyqmḥṣwlạtậỷrwslsnjndەmạdysjhtbhbwdtkẖmynpm25bhʿnwạnyḵyạzmhmtrynmkẖạṭrạtzystmḥyṭydrsẖhrthrạn AT ḥsynbạqry ạrạỷhyḵrwsẖmbtnybryạdgyrymạsẖynbrạytlfyqmḥṣwlạtậỷrwslsnjndەmạdysjhtbhbwdtkẖmynpm25bhʿnwạnyḵyạzmhmtrynmkẖạṭrạtzystmḥyṭydrsẖhrthrạn AT mhrạnstạry ạrạỷhyḵrwsẖmbtnybryạdgyrymạsẖynbrạytlfyqmḥṣwlạtậỷrwslsnjndەmạdysjhtbhbwdtkẖmynpm25bhʿnwạnyḵyạzmhmtrynmkẖạṭrạtzystmḥyṭydrsẖhrthrạn |