استفاده از الگوریتم­ های یادگیری مولد عمیق به منظور تخمین غلظت ذرات معلق در شهر تهران

در دهه های اخیر، سطح غلظت ذرات معلق در کلان شهر تهران افزایش ­یافته است که این امر، مخاطرات فراوانی را برای محیط زیست و سلامت شهروندان به همراه داشته است. یکی از خطرناک ترین نوع آلودگی ها، آلودگی ذرات معلق کمتر از ۲.۵ میکرون (PM۲.۵) هست که مدل سازی، پایش و پیش بینی آن را بسیار حیاتی می نماید. برآورد غلظت این ذرات در سطح شهر تهران به دلیل وجود منابع گوناگون آلودگی و کمبود ایستگاه های هواشناسی و عدم توزیع مناسب ا یستگاه ها موضوعی چالش برانگیز است. یکی از منابع جایگزین، استفاده از داده های به دست آمده از طریق تصاویر ماهواره ای شامل داده های ایروسل با توان­ تفکیک مکانی بالاست. بااین حال تخمین مقادیر آلودگی سطحی از روی داده های ایروسل ماهواره ای به سادگی امکان­ پذیر نیست و نیازمند توسعه مدل های مناسب نظیر مدل های داده مبنا و استفاده از تکنیک های یادگیری ماشینی می باشد. در این راستا هدف این مقاله ایجاد یک مدل به منظور تخمین میزان غلظت ذرات معلق در سطح شهر تهران با استفاده از داده های حاصل از مدل های هواشناسی و داده های ایروسل به دست آمده از تصاویر ماهواره ای مودیس به کمک الگوریتم های یادگیری عمیق مولد هست. برای این منظور سه نوع شبکه یادگیری عمیق بر مبنای مدل های مولد یعنی شبکه خود رمزنگار عمیق، شبکه باور عمیق بولتزمن و شبکه مولد تخاصمی شرطی برای تخمین غلظت PM۲.۵ با استفاده از داده های زمینی و ماهواره ای جمع آوری شده، توسعه داده شد. سپس ارزیابی دقت مدل های ایجادشده توسط شبکه های مذکور بر روی داده های تست انجام شد و عملکرد آن ها مورد بررسی و مقایسه قرار گرفت. ارزیابی دقت نشان داد که شبکه خود رمزنگار ترکیب شده با مدل بردار پشتیبان مبنا با همبستگی۰.۶۹ و دقت (RMSE) ۱۰.۳۴ میکروگرم بر مترمکعب بالاترین کارایی را در مقایسه با سایر مدل ها به دست می دهد که می تواند به منظور مدل سازی میزان غلظت ذرات در سطح شهر تهران مورد استفاده قرار گیرد.

کلیدواژه ها:

مدل های عمیق مولد ، یادگیری عمیق ، شبکه های خود رمزنگار ، غلظت PM۲.۵ ، عمق لایه ی نوری ایروسل ، مودیس