ارزیابی کیفیت هوا با نظارت بر پارامترهای PM۱۰ و PM۲.۵ با استفاده از تصاویر ماهواره ای چندطیفی

سابقه و هدف: آلودگی هوا، به ویژه ذرات معلق (PM۲.۵ وPM۱۰)، یکی از چالش های جدی در شهرهای بزرگ است که پیامدهای مخربی برای سلامت عمومی، زیست بوم ها و کیفیت زندگی دارد. این تاثیرات، در مناطق پرجمعیتی مانند تهران، به وضوح بیشتر احساس می شود. ازاین رو نظارت و پیش بینی دقیق کیفیت هوا برای تصمیم گیری های موثر در حوزه سیاست گذاری و سلامت عمومی ضروری است. بااین حال محدودیت پوشش مکانی ایستگاه های زمینی سنجش کیفیت هوا مانع از ثبت کامل تغییرات کیفیت هوا در سطح شهر می شود. در این پژوهش، برای غلبه بر این محدودیت، از تصاویر ماهواره ای لندست ۸ و سنتینل ۲ استفاده شده است تا مدل هایی، برای پیش بینی غلظت ذرات معلق، به ویژه PM۲.۵ و PM۱۰، توسعه داده شود. در این مطالعه، داده های بازتاب طیفی ماهواره ای و مدل های یادگیری ماشین ترکیب شد تا کارآمدترین مدل ها، برای پیش بینی آلودگی هوا و تعیین باندهای طیفی موثر در برآورد غلظت ذرات معلق، شناسایی شود.مواد و روش ها: در گام نخست، از روابط تک باندی و ترکیب باندها استفاده شد تا مدل های رگرسیون خطی، برای ایجاد ارتباط خطی بین بازتاب طیفی و غلظت ذرات معلق، توسعه یابد. سپس برای مدل سازی روابط پیچیده تر بازتاب طیفی و ذرات معلق، روابط غیرخطی بررسی شدند. برای بهینه سازی انتخاب باندهای طیفی، رویکرد ترکیبی GA-SVR به کار رفت؛ به طوری که الگوریتم ژنتیک (GA)، برای شناسایی ترکیب بهینه باندهای طیفی، و الگوریتم ژنتیک و رگرسیون بردار پشتیبان (SVR) برای ساخت یک مدل پیش بینی قوی تر، روی مجموعه ویژگی های بهینه شده اعمال شد. معیارهای ارزیابی R²، RMSE و میانگین خطای مطلق (MAE) برای سنجش و مقایسه اثربخشی هریک از روش های مدل سازی به کار رفتند. به منظور ارزیابی تعمیم پذیری، داده ها به دو بخش آموزشی (۷۰%) و آزمایشی (۳۰%) تقسیم شد. علاوه بر این، برای اطمینان از استحکام مدل، از روش اعتبارسنجی متقابل بهره گرفته شد.نتایج و بحث: تحلیل ها نشان داد که باندهای طیف مرئی، در هر دو ماهواره لندست ۸ و سنتینل ۲، ارتباط معناداری با غلظت PM۲.۵ و PM۱۰ دارند. مدل های رگرسیون خطی، با استفاده از باندهای ۱ و ۲ لندست ۸ و باندهای ۲، ۳ و ۴ سنتینل ۲، همبستگی شایان توجهی در داده های آموزشی ایجاد کردند. مقدار R² برای PM۲.۵ در لندست ۸ به ترتیب، در داده های آموزشی و آزمایشی، ۵۶/۷۰% و ۲۴/۶۷% بود؛ درحالی که این مقدار در سنتینل ۲، برای داده های آزمایشی به ۸۹/۶۸% رسید. مقادیر RMSE برای داده های آموزشی و آزمایشی لندست ۸ به ترتیب، ۰۱/۷ و ۴۸/۷ بود؛ درصورتی که در سنتینل ۲، مقادیر ۹۳/۶ و ۳۲/۷ ثبت شد که نشان دهنده عملکرد برتر سنتینل ۲ است. در مدل های رگرسیون غیرخطی، نتایج نشان داد که مدل های توانی مقادیر شایان توجهی از R² را به دست می دهند. در این مدل ها، مقادیر NRMSE بین ۰۶۶/۰ تا ۱۱۵/۰ محاسبه شد که در قیاس با مدل های خطی، دقت بیشتر داشتند. مدل های رگرسیون غیرخطی توانایی بیشتری در مدل سازی روابط پیچیده دارند اما، به دلیل بار محاسباتی زیاد و افزایش محدود دقت، استفاده از مدل های خطی همراه با بهینه سازی مبتنی بر یادگیری ماشین، به منزله رویکردی کارآمدتر، توصیه می شود. مدل GA-SVR بیشترین دقت را در پیش بینی ها داشت و نشان داد که طول موج های کوتاه تر بیشترین توانایی را در پیش بینی غلظت ذرات معلق دارند. با بهینه سازی انتخاب ویژگی ها، این مدل به R² حدود ۷۰% دست یافت. این نتایج حاکی از توان بالای مدل GA-SVR در بهبود دقت پیش بینی است.نتیجه گیری: نتایج نشان داد که باندهای طیف مرئی در مدل های پیش بینی کیفیت هوا بیشترین تاثیر را دارند. مدل سازی با سنتینل ۲ و استفاده از باندهای بهینه شناسایی شده ازطریق روش GA-SVR بیشترین دقت را در پیش بینی PM۲.۵ داشت. تحلیل مقایسه ای نشان داد، در عین اینکه مدل های رگرسیون خطی عملکرد مورد قبولی دارند، ترکیب بهینه سازی ویژگی ها و یادگیری ماشین سبب افزایش چشمگیر در دقت پیش بینی می شود و اطلاعات ارزشمندی، درباره باندهای طیفی موثر، برای نظارت بر PM فراهم می کند. مدل GA-SVR، با مقدار R² نزدیک به ۷۰%، بیانگر توانمندی مدل های بهینه شده برای نظارت دقیق و به موقع بر کیفیت هوا در مقیاس های مکانی گوناگون است..

کلیدواژه ها:

آلودگی هوا ، ذرات معلق ، لندست ۸ ، سنتینل ۲ ، AOD