هوش مصنوعی در تشخیص آلودگی هوا

آلودگی هوا یکی از مهم ترین چالش های زیست محیطی و سلامت عمومی در جوامع امروزی محسوب می شود که پیامدهای گسترده ای بر سلامت انسان، اکوسیستم ها و توسعه پایدار دارد. پیچیدگی رفتار آلاینده ها، وابستگی آن ها به شرایط جوی و تغییرات مکانی–زمانی سبب شده است روش های سنتی پیش بینی کیفیت هوا با محدودیت های قابل توجهی مواجه باشند. در سال های اخیر، هوش مصنوعی به عنوان ابزاری کارآمد برای تحلیل داده های پیچیده و پیش بینی آلودگی هوا مورد توجه پژوهشگران قرار گرفته است. این مقاله یک مطالعه مروری بر ده پژوهش منتخب در زمینه کاربرد هوش مصنوعی در پایش و پیش بینی آلودگی هوا ارائه می دهد. در این مرور، انواع داده های مورد استفاده شامل داده های ایستگاه های زمینی، اطلاعات هواشناسی و داده های ماهواره ای بررسی شده و عملکرد مدل های مختلف یادگیری ماشین و یادگیری عمیق مورد تحلیل قرار گرفته است. نتایج نشان می دهد که مدل های یادگیری عمیق، به ویژه شبکه های مبتنی بر LSTM و ConvLSTM، در مقایسه با روش های کلاسیک یادگیری ماشین دقت بالاتری در پیش بینی آلاینده هایی مانند PM₂.۵ و NO₂ دارند، به ویژه زمانی که داده های زمانی و مکانی به صورت هم زمان مورد استفاده قرار می گیرند. با وجود پیشرفت های قابل توجه، چالش هایی نظیر کمبود داده، کیفیت پایین برخی سنسورها، پیچیدگی روابط جوی و تبیین پذیری محدود مدل های عمیق همچنان پابرجاست. در مجموع، یافته های این مقاله نشان می دهد که ادغام داده های چندمنبعی و توسعه مدل های هوش مصنوعی تبیین پذیر می تواند نقش مهمی در بهبود سامانه های پیش بینی و مدیریت کیفیت هوا ایفا کند.

کلیدواژه ها:

هوش مصنوعی ، یادگیری ماشین ، آلودگی هوا ، پیش بینی کیفیت هوا ، داده های ماهواره ای