پیش بینی میزان دید افقی در تهران با تکیه بر داده های PM۲.۵ و رطوبت نسبی با استفاده از مدل های یادگیری ماشین

دید افقی، شاخصی برای سنجش شفافیت جو است که نقش مهمی در ایمنی حمل و نقل جاده ای، هوایی و ریلی ایفاء می کند. این شاخص به شدت تحت تاثیر آلودگی هوا و شرایط جوی قرار دارد. مقادیر بالای آلاینده های جوی مانند PM۲.۵ می تواند بر شفافیت هوا تاثیر گذاشته و کیفیت آن را کاهش دهد که این امر به نوبه خود بر شرایط آب و هوایی تاثیر می گذارد. در دوره های زمانی با غلظت بالای PM۲.۵، مه و دود بیشتری در هوا مشاهده می شود که منجر به کاهش دید افقی و دشواری در مشاهده اجسام در فاصله دور می گردد. دید افقی از عوامل تاثیرگذار در سلامتی پرواز هنگام فرود و برخاست هواپیما به شمار می رود. تهران، پرجمعیت ترین شهر ایران و یکی از آلوده ترین شهرهای جهان است. پیش بینی دقیق و به موقع دید افقی در تهران برای ارتقای سلامت عمومی، بهبود مدیریت ترافیک هوایی و تسهیل حمل و نقل شهری ضروری است. این شهر با داشتن دو فرودگاه اصلی و جابجایی سالانه ۲۴ میلیون مسافر، نیازمند پیش بینی دقیق دید افقی به ویژه در زمان فرود هواپیماها است. این پژوهش عملکرد ۹ مدل یادگیری ماشین شامل رگرسیون خطی (LR)، جنگل تصادفی (RF)، رگرسیون بردار پشتیبان (SVR)، نزدیکترین همسایه (KNN)، درخت تصمیم (DT)، پرسپترون چندلایه (MLP)، XGBoost ، LightGBM و یک مدل یادگیری عمیق را در پیش بینی دید افقی در فرودگاه مهرآباد تهران با استفاده از داده های PM۲.۵ و رطوبت نسبی روزانه مقایسه کرده است. عملکرد مدلها با معیارهای سنجش عملکرد مدل شامل میانگین مربعات خطا (RMSE)، ضریب تعیین (R۲) و میانگین درصد خطای مطلق (MAPE) ارزیابی شده است. نتایج نشان می دهد که مدلهای رگرسیون جنگل تصادفی (RF) و پرسپترون چندلایه (MLP) بهترین پیش بینی را ارائه می دهند. همچنین همه مدلها، همبستگی مثبتی را بین مقادیر مشاهده شده و پیش بینی شده دید افقی از خود نشان دادند. این نتایج می تواند در فرآیند تصمیم گیری و بهبود پیش بینی دید افقی در مدیریت ترافیک هوایی مورد استفاده قرار گیرد.

کلیدواژه ها:

دید افقی ، PM۲.۵ ، آلودگی هوا ، رطوبت نسبی ، یادگیری ماشین