مقایسه و بررسی مدل های یادگیری ماشین برای پیش بینی غلظت آلاینده های PM۲.۵ و PM۱۰ در محیط شهری

در این مقاله، به مقایسه و ارزیابی مدل های یادگیری ماشین برای پیش بینی غلظت ذرات معلق با قطر ایرودینامیکی کمتر از ۲.۵ میکرومتر و کمتر از ۱۰ میکرومتر در محیط های شهری پرداخته می شود. با توجه به نقش کلیدی این آلاینده ها در تشدید مخاطرات سلامت و همچنین پیچیدگی رفتار زمانی–مکانی آن ها تحت تاثیر عوامل هواشناسی و منابع انتشار شهری، انتخاب یک مدل پیش بینی دقیق و پایدار از اهمیت بالایی برخوردار است. رویکرد این پژوهش مروری–تحلیلی بوده و بر مبنای بررسی هم زمان چندین مقاله معتبر و جدید در حوزه مدل سازی آلودگی هوا با استفاده از یادگیری ماشین انجام می شود. در گام نخست، مطالعات منتخب از نظر ویژگی های داده (ساعتی/روزانه)، نوع ورودی ها (پارامترهای هواشناسی، شاخص های ترافیکی، کاربری زمین و متغیرهای زمانی)، روش های پیش پردازش (پاکسازی داده، مدیریت داده های گمشده، نرمال سازی و انتخاب ویژگی) و پروتکل ارزیابی (تقسیم بندی آموزش/آزمون، اعتبارسنجی متقاطع و آزمون های فصلی) دسته بندی می گردند. سپس عملکرد مدل های متداول از جمله رگرسیون بردار پشتیبان، جنگل تصادفی، گرادیان بوستینگ و XGBoost، شبکه های عصبی (ANN) در برخی مطالعات مدل های عمیق مبتنی بر LSTM/GRU از منظر معیارهای خطا مانند MAE،RMSE و R² تحلیل می شود. علاوه بر مقایسه دقت، موضوعاتی نظیر پایداری مدل در فصول مختلف، حساسیت به کیفیت داده، قابلیت تعمیم بین ایستگاه ها/مناطق شهری و تفسیرپذیری نیز بررسی می گردد. نتایج مرور نشان می دهد که در بسیاری از مطالعات، مدل های مبتنی بر درخت های تقویتی به ویژه XGBoost و در شرایط دارای الگوهای زمانی قوی، مدل های یادگیری عمیق بازگشتی عملکرد رقابتی تری ارائه می کنند؛ با این حال، مزیت آن ها به شدت به طراحی ویژگی ها، حجم داده و تنظیم ابرپارامترها وابسته است. در پایان، بر اساس جمع بندی یافته ها، توصیه هایی برای انتخاب مدل مناسب در سناریوهای مختلف شهری و نیز مسیرهای پژوهشی آینده ارائه می شود.

کلیدواژه ها:

آلودگی هوا ، آلاینده های هوا ، یادگیری ماشین ، ذرات معلق ، اندازه گیری غلظت آلاینده ها ، ماشین لرنینگ