مقایسه کاربرد دو الگوریتم درخت تصمیم و جنگل تصادفی در برآورد غلظت SO₂ براساس داده های چند منبعی

در سال های اخیر، استفاده از الگوریتم های یادگیری ماشین در پایش و مدیریت آلودگی هوا به عنوان روشی نوین در صنایع زیست محیطی رشد قابل توجهی داشته است. این پژوهش با هدف بررسی و مقایسه عملکرد دو الگوریتم درخت تصمیم (Decision Tree) و جنگل تصادفی (Random Forest) در تخمین غلظت دی اکسید گوگرد (SO₂)، از داده های ترکیبی شامل اطلاعات ماهواره ای، زمینی و پارامترهای هواشناسی بهره گرفته است. داده های مورد استفاده مربوط به بازه زمانی سال های ۱۳۸۹ تا ۱۴۰۲ و شامل محصولات سنجنده TROPOMI از ماهواره Sentinel-۵P و ایستگاه های سنجش آلودگی شهر ارومیه می باشند. پس از پیش پردازش داده ها، مدل سازی با دو الگوریتم مذکور انجام گرفت. نتایج نشان داد که الگوریتم Random Forest با ضریب تعیین (R²) معادل ۰.۷۲ و خطای RMSE برابر با ۵۶ ppb، عملکرد بهتری نسبت به الگوریتم درخت تصمیم (R²=۰.۵۸، ppb=۶۸) داشته است. این مقایسه بیانگر برتری روش های ترکیبی درختی در استفاده از داده های چندمنبعی برای تخمین دقیق آلاینده ها است. یافته های این مطالعه می تواند در ارتقاء سیستم های پایش هوشمند آلودگی هوا و پشتیبانی از تصمیم گیری های محیط زیستی موثر واقع شود.

کلیدواژه ها:

آلودگی هوا ، SO₂ ، ماهواره Sentinel-۵P ، یادگیری ماشین ، پارامترهای هواشناسی ، زیرساخت های زیست محیطی