فراکاوی و مرور سیستماتیک ادغام داده های عمق نوری آئروسل برگرفته از ماهواره با یادگیری ماشین در برآورد غلظت ذرات معلق ریز (PM۲.۵)

قرار گرفتن در معرض ذرات ریز (PM۲.۵) آلاینده هوا، به ویژه در مناطقی که میانگین سالانه آن از دستورالعمل های سازمان بهداشت جهانی فراتر است، به طور قابل توجهی بر سلامت عمومی تاثیر می گذارد. در ایران، افزایش سطح مواجهه با PM۲.۵، به میزان قابل توجهی بر مرگ و میر در میان بزرگسالان نقش داشته است. محدودیت های پوشش مکانی و شکاف مقطعی داده های ایستگاه های پایش زمینی، چالش هایی را در مدیریت موثر کیفیت هوا ایجاد نموده است. محصولات فناوری های سنجش از دور، مانند عمق نوری آئروسل (AOD) برگرفته از حسگرهای MODIS، جایگزین امیدوارکننده ای در برآورد PM۲.۵ به شمار می روند. در مقاله حاضر، تحقیقات پیشین درزمینه استفاده از الگوریتم های یادگیری ماشین در برآورد غلظت PM۲.۵ بر اساس داده های AOD، مرور شده است. تجزیه و تحلیل ساختاری ۱۲۷ مطالعه انتخاب شده، همبستگی های متفاوتی را بین AOD و PM۲.۵ نشان داد (R۲ در محدوده ۴۸ تا ۹۹%)، که می تواند با بهره گیری از متغیرهای کمکی نظیر شرایط هواشناسی و عوامل محیطی، بهبود یابد. اگرچه ادغام این متغیرها، دقت برآورد را افزایش می دهد، ولی در عین حال، پیچیدگی و خطاهای بالقوه را در مدل های یادگیری ماشین افزایش خواهد داد. مدل های یادگیری ماشین ترکیبی عملکرد بهتری را در مقایسه با الگوریتم های فردی نشان می دهند، چراکه قابلیت انطباق، پردازش موازی و مدیریت داده های ازدست رفته را دارند. علی رغم پیشرفت های اخیر، هنوز چالش هایی به دلیل عدم قطعیت داده ها و دینامیک بودن پدیده های هواشناسی، باقی مانده اند. الگوریتم های یادگیری ماشین، اگرچه ابزاری قوی در برآورد PM۲.۵ بر اساس شاخص AOD ارائه می دهد، لیکن تحقیقات آتی در راستای رفع محدودیت ها و بهینه سازی عملکرد مدل متناسب با تغییرات محیطی، ضروری است.

کلیدواژه ها:

ذرات PM۲.۵ ، عمق نوری آئروسل (AOD) ، یادگیری ماشین ، سنجنده MODIS ، یادگیری گروهی ، مدل های ترکیبی ، مرور سیستماتیک ، تاثیر بر سلامت عمومی