پیش بینی و مقایسه ی غلظت ذرات معلق PM۱۰ شهر مشهد با استفاده از مدل LSTM در شرایط محدودیت های ترافیکی دوران COVID-۱۹

زمینه و هدف: افزایش جمعیت و فعالیت های صنعتی در شهر مشهد، کاهش کیفیت هوا و عواقب جدی برای سلامت عمومی به همراه داشته است. هم چنین، ظهور بیماری کووید-۱۹ و ارتباط آن با آلودگی هوا، ضرورت بررسی تاثیرات قرنطینه و محدودیت های ترافیکی بر غلظت آلاینده ها را در این کلان شهر افزایش داده است. مواد و روش ها: در این مطالعه داده های مربوط به غلظت آلاینده PM۱۰ از ایستگاه های سنجش آلودگی مشهد جمع آوری شد. سپس با استفاده از آزمون  tزوجی (Paired T-Test)، تغییرات آماری غلظت  PM۱۰ در دوران قبل و حین قرنطینه بررسی گردید. هم چنین مدل یادگیری ماشین LSTM برای پیش بینی تاثیر قرنطینه بر سطوح PM۱۰  به کار گرفته شد که شامل پردازش داده ها، آموزش مدل و ارزیابی دقت پیش بینی ها بود. یافته ها: نتایج آزمون t زوجی نشان دهنده ی کاهش ۱۶% در میانگین غلظت PM۱۰ در دوره ی قرنطینه بود، که با تفاوت میانگین ۴/۳۹۷ میکروگرم بر مترمکعب مشخص می شود. در مرحله ی بعدی، مدل یادگیری ماشین LSTM برای پیش بینی تاثیر قرنطینه بر سطوح PM۱۰  استفاده شد. مقدار ضریب تعیین (۰/۸) نشان دهنده ی همبستگی قوی بین پیش بینی ها و غلظت واقعی PM۱۰ است. مقادیر میانگین مربعات خطا (۳/۰۱) و میانگین خطای مطلق (۲/۵۶) بیانگر دقت بالای پیش بینی مدل LSTM و نزدیکی آن به مقادیر واقعی هستند.نتیجه گیری: نتایج نشان می دهد که مدل LSTM توانسته است با دقت بالایی غلظت آلاینده PM۱۰ را پیش بینی کند و کارایی بالای آن را در تحلیل داده های زمانی تایید می کند. نتایج نه تنها کاهش قابل توجه در غلظت PM۱۰ را نشان می دهد، بلکه ضرورت استفاده از مدل های پیشرفته برای تحلیل دقیق تر داده های محیطی را نیز تاکید می نماید.

کلیدواژه ها:

آلودگی هوا ، پیش بینی کیفیت هوا ، آلاینده ی PM۱۰ ، آزمونt زوجی ، یادگیری عمیق ، شبکه LSTM