عمق نوری آئروسل

عمق نوری آئروسل ( AOD ) پارامتر سنجش از دور مهمی است که به عنوان نماینده ای از غلظت آئروسل اتمسفری برای نظارت بر طوفان های گردوغبار استفاده می شود. در مطالعات پیشین ارتباط بین پارامترهای اقلیمی و AOD گزارش شده است. از طریق تجزیه و تحلیل این ارتباط می توان الگوهای مکانی- زمانی AOD را پیش بینی کرد. در پژوهش حاضر برای اولین بار از الگوریتم داده کاوی M5P نظر به کاربرد آن در خصوص کشف اطلاعات ارزشمند از میان مجموعه داده های بزرگ برای استخراج مدل های پیش بینی کننده AOD استفاده شد. بدین منظور، سری زمانی روزانه داده های سنجش از دوری پارامترهای دمای هوا، بارش، رطوبت نسبی، و سرعت باد و AOD در یک بازه زمانی ده ساله (2005-2014) در محدوده شهرستان اهواز به عنوان ورودی های M5P تهیه و آماده سازی شد. از طریق تشکیل درخت های تصمیم مبتنی بر قوانین «اگر– آنگاه» و تجزیه و تحلیل رگرسیون چندمتغیره در چارچوب الگوریتم M5P ، چهار مدل پیش بینی کننده خطی به دست آمد. برای اعتبارسنجی مدل های خطی، از آماره های ضریب همبستگی پیرسون، MAE ، و RMSE بهره گرفته شد. مقادیر این آماره ها به ترتیب 69/0، 22/0، و 31/0 برآورد شد که حاکی از قابلیت اطمینان مدل ها در رابطه با پیش بینی AOD است. به طور کلی، نتایج این پژوهش نشان داد تکنیک داده کاوی در زمینه پیش بینی AOD کارآمد است.

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.