ارائه یک روش مبتنی بر یادگیری ماشین برای تلفیق محصولات آئروسل سنجنده مادیس جهت بهبود تخمین PM2.5، به عنوان یکی از مهم ترین مخاطرات زیست محیطی در شهر تهران (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
افزایش بحران های محیط زیست در جهان باعث شده است تا در دهه های اخیر اهمیت مطالعه در مورد مسائل زیست محیطی افزایش یابد. آلودگی هوا در ردیف یکی از زیان بارترین مخاطرات طبیعی قرار گرفته است. ذرات معلق در هوا با قطر کمتر از 2.5 میکرومتر (PM2.5) یکی از خطرناک ترین و مضرترین نوع ذرات در میان آلاینده های مختلف هوا برای سلامتی انسان هستند. یکی از تکنیک های تخمین PM2.5 استفاده از محصولات عمق نوری آئروسل (AOD) است. 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 غلظت PM2.5 می گردد. هدف این مقاله بررسی امکان تلفیق محصولات AOD حاصل از مشاهدات سنجنده MODIS (بازیابی شده توسط الگوریتم های Deep Blue و Dark Target) به منظور تخمین دقیق تر PM2.5 است. در این مطالعه، نخست با انجام آزمایش بر روی الگوریتم های مختلف یادگیری ماشین و بررسی عملکرد آن ها در تخمین PM2.5 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 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 حالت هایی که محصولات به صورت منفرد استفاده شدند، بهتر است (0.77= ، 7.00 MAE = ، 9.59 RMSE=). علاوه بر افزایش دقت، روش پیشنهادی ساده و از نظر محاسباتی کم هزینه است. علاوه بر این در این تحقیق مشخص گردید، توجه به نشانگر کیفی بازیابی محصولات AOD، زمینه دستیابی به یک محصول تلفیقی دقیق تر را فراهم خواهد کرد.Estimation of PM2.5 as a Harmful Environmental Hazard in Tehran by Fusion of MODIS Aerosol Products through a Machine Learning Approach
Air pollution is one of the most harmful natural hazards in Tehran metropolitan. Particles with a diameter of less than 2.5 micrometers (PM2.5) as one of the most harmful pollutants have endangered the health of people living in Tehran. One of the PM2.5 estimation techniques is the use of Aerosol Optical Depth (AOD) products derived from satellite observations. Various AOD products are retrieved with different algorithms that do not have the same accuracy and spatial resolution. Due to the differences in many assumptions and approximations adopted in the AOD retrieval process, the generated AOD products involve uncertainties. This issue reduces the accuracy of PM2.5 concentration estimation. The purpose of this study was to investigate the possibility of fusing AOD products obtained from MODIS sensor observations (retrieved by Deep Blue and Dark Target algorithms) to estimate PM2.5 more accurately. First, the performance of different machine learning algorithms in estimating PM2.5 from AOD data was evaluated. As a result, the XGBoost algorithm with the highest performance was selected as the base model for PM2.5 estimation. Then, the AOD products were fused using a weighted averaging based on the retrieval quality of the primary products. Finally, the fused AOD product along with meteorological data were employed to estimate PM2.5 using XGboost. The results demonstrated that the accuracy of PM2.5 estimation from the fused AOD product is better than when the AOD products are used individually (= 0.77, MAE = 7.00 , RMSE = 9.59 ). Thus, the retrieval quality of AOD products will lead to more accurate estimation of PM2.5 in the end.
تبلیغات
