راهکارهای یادگیری عمیق برای پیشبینی کیفیت هوای کلان شهر تهران

آلودگی هوا یک چالش مهم در مناطق شهری است. جایی که افزایش میزان آلاینده های هوا سلامت عمومی و ایمنی محیط زیست را تهدید می کند. هدف مطالعه حاضر پیش بینی غلظت آلاینده های هوا شامل PM۱۰، SO۲، NO۲، O۳، CO و PM۲.۵ در بازه ۲۰۱۳ تا ۲۰۲۳ در کلان شهر تهران با استفاده از مدل های یادگیری عمیق (DL) و ارزیابی اثربخشی آنها نسبت به روش های مرسوم یادگیری ماشین (ML) است. متغیرهای پیشران کلیدی شامل دما، رطوبت نسبی، نقطه شبنم، سرعت باد و فشار هوا بودند. برای ارزیابی و مقایسه مدل ها از MAE، RMSE، R۲ و MSE استفاده شد. مدل های FCNN و GRU عملکرد قابل توجهی در پیش بینی غلظت های PM۱۰، NO۲ و PM۲.۵ داشتند. بر اساس تحلیل اهمیت ویژگی دما و رطوبت پیشران های اصلی تغییرپذیری آلاینده ها بودند. این پژوهش نشان داد که مدل های DL به طور معمول در پیش بینی آلودگی هوا از مدل های ML بهتر عمل می کنند. یافته های این پژوهش نشان می دهد که مدل های DL دقت قابل توجهی دارند و به عنوان ابزارهای ضروری برای مدیریت آلودگی هوا عمل می کنند.

کلیدواژه ها:

مدل سازی ، یادگیری عمیق ، یادگیری ماشین ، پیش بینی کیفیت هوا ، آلودگی هوا