پیاده سازی شبکه عصبی کانولوشن و یادگیری عمیق روی تصاویر ماهواره ای برای آلاینده های دی اکسید نیتروژن و دی اکسید گوگرد محدوده مطالعاتی: بخشی از استان بوشهر شامل عسلویه و مناطق صنعتی

در دنیای امروز، شناخت و به کارگیری الگوریتم های یادگیری عمیق از اهمیت زیادی برخوردار است چراکه با رشد جمعیت و چالش های پیچیده محیط زیستی مختلفی که به دنبال خواهد داشت، نیاز به استفاده از ایده های نوین جهت حل مشکلات محیط زیستی بیشتر از همیشه احساس می شود و یادگیری عمیق یک مثال مناسب از روشی نو و موثر در حل مشکلات محیط زیستی است. در این پژوهش قصد داریم با به کار بردن معماری شبکه عصبی کانولوشن (Convolutional Neural Network یا CNN) در تحلیل تصاویر ماهواره ای آلاینده های NO₂ و SO₂ از ماهواره ی Sentinel-۵P برای بخشی از استان بوشهر شامل عسلویه، نشان دهیم که یادگیری عمیق می تواند چگونه کار کند و می تواند با دقتی مناسب، الگوهای تصاویر ماهواره ای که کاربرد فراوانی در مباحث محیط زیستی نیز دارند را بررسی کند و یاد بگیرد و دقت های مناسبی خروجی دهد. تصاویر ماهواره ای آلاینده های هوا از سال ۲۰۱۸ تا ۲۰۲۵ تهیه شدند و با اعمال معماری CNN روی تصاویر، برچسب های مدل که متوسط پیکسل های هر تصویر ماهواره ای هستند پیش بینی شدند. در این پژوهش از تصاویر سال های ۲۰۱۸ تا پایان ۲۰۲۴ برای آموزش و اعتبارسنجی مدل و از تصاویر ۲۰۲۵ برای تست نهایی مدل استفاده گردید و با معیارهای MSE و MAE خطاها محاسبه شدند.برای آلاینده SO₂ در حین آموزش مدل، مقدار MSE برای داده های اعتبارسنجی ۰.۰۰۴۸۰۷ بود و در تست نهایی روی تصاویر سال ۲۰۲۵، مقدار MSE برابر ۰.۰۰۵۷ بود. برای آلاینده NO₂ در حین آموزش مدل، مقدار MSE برای داده های اعتبارسنجی ۰.۰۰۷۷۹۶ بود و در تست نهایی روی تصاویر سال ۲۰۲۵، مقدار MSE برابر ۰.۰۱۷۳ بود.مقادیر خطای پایین مدل، نشان دهنده ی عملکرد مطلوب معماری CNN دارد و اثبات می کند که استفاده از این معماری قابل اعتماد است و اگر به درستی و همراه با ایده های مناسب مورد استفاده قرار گیرد، کمک بزرگی در حل سریع تر و موثرتر مشکلات مهم محیط زیستی خواهد بود.

کلیدواژه ها:

یادگیری عمیق ، CNN ، Sentinel-۵P ، آلودگی هوا ، NO₂ ، SO₂