مقایسه الگوریتم های یادگیری ماشین به منظور تخمین غلظت ذرات PM۱۰ با استفاده از شاخص AOD و برخی پارامترهای هواشناسی

نظارت و کنترل بر میزان و منابع گردوغبار تحت تاثیر تغییرات اقلیمی و توسعه رویکردهای پیش بینی مناسب که تاثیرات مستقیمی بر محیط زیست و سلامت انسان دارد بسیار حائز اهمیت هستند. این مطالعه باهدف تخمین غلظت ذرات کوچکتر از ۱۰ میکرومتر (PM۱۰ ) در شهر اهواز، با استفاده از مدل های مختلف یادگیری ماشین انجام شده است. از متغیرهای اقلیمی و شاخص عمق بصری (AOD) محصول باند ۴۷۶ نانومتر سنجنده مودیس به عنوان متغیرهای موثر در برآورد غلظت ذرات PM۱۰ در قالب سه سناریو شامل: ترکیب شاخص AOD با PM۱۰ (سناریو اول)، ترکیب متغیرهای اقلیمی با PM۱۰ (سناریوی دوم) و ترکیب متغیرهای اقلیمی و شاخص AOD با PM۱۰ (سناریوی سوم) استفاده گردید.  با استفاده از شش الگوریتم مدل یادگیری ماشین شامل:  Random Forest Regression (RFR)، Gradient Boosting Regression (GBR)،(ANN)  Artificial Neural Networks، AdaBoostR with DTR ، (SVR)  Support Vector Regressionو (DTR) Decision Tree Regression، میزان غلظت ذرات (PM۱۰ ) در سناریوهای مختلف با در نظر گرفتن ضرایب صحت و دقت تعیین و مقایسه شدند. مهم ترین متغیرهای تاثیرگذار در برآورد میزان PM۱۰: ساعت آفتابی، حداقل دید افقی ، ماکزیمم سرعت باد و شاخص AODتعیین گردید. مدل رگرسیون خطی GBR  با مقادیر ضرایب R۲، MAE، RMSE و IOA به ترتیب برابر با۷۶/۰، ۳۱/۰، ۴۹/۰ و ۹۳/۰ مناسب ترین مدل در تخمین غلظت ذرات (PM۱۰ ) بوده، که در سناریوی سوم بدست آمد. نتایج نشان داد که استفاده از ترکیب شاخص AODدر کنار متغیرهای اقلیمی منجر به بهبود عملکرد مدل در برآورد غلظت ذرات  PM۱۰ شده است. مدل نهائی  پیشنهادی می تواند به منظور تخمین روزانه ذرات PM۱۰ استفاده شود.

کلیدواژه ها:

الگوریتم های یادگیری ماشین ، متغیرهای اقلیمی ، عمق نوری آئروسل ، ذرات معلق با قطر آئرودینامیکی کمتر از ۱۰ میکرومتر