مدل سازی و پیش بینی آلودگی گرد و غبار با استفاده از داده های ماهواره ای و مدل های یادگیری ماشین (مطالعه موردی: اهواز)

آلودگی گرد و غبار یکی از چالش های زیست محیطی در مناطق خشک و نیمه خشک است که تاثیرات زیان بار آن بر سلامت عمومی، کشاورزی، منابع آبی و زیرساخت ها حائز اهمیت است. در این پژوهش به منظور پیش بینی آلودگی ریزگرد (PM۱۰) شهر اهواز، از شاخص AOD ماهواره مودیس در بازه زمانی ۲۰۱۶ تا ۲۰۲۲ استفاده شد و چهار تکنیک یادگیری ماشین شامل XGBoost، SGB، LSTM و MLP به کار گرفته شد. برای این منظور ابتدا با استفاده از مدل HYSPLIT، مسیرهای ریزگرد ردیابی و فراوانی آن بررسی شد. سپس با استفاده از تصاویر تروکالر ماهواره، ایستگاه های مجازی در مسیر حرکت ریزگرد تعیین و از مقادیر AOD این نقاط به عنوان داده های ورودی به مدل های پیش بینی استفاده شد. نتایج نشان داد که همبستگی داده های شاخص AOD ماهواره ای با داده های واقعی PM۱۰ در سال های ۲۰۲۱ و ۲۰۲۲ در حد ۰۱/۰ معنادار بوده و ضرایب تعیین به ترتیب ۸۹/۰ و ۸۵/۰ به دست آمد. بررسی نقشه های مسیریابی ریزگردها مشخص کرد که گرد و غبار از مبدا کشور عراق به اهواز منتقل شده است. میانگین داده هایAOD از هشت ایستگاه مجازی در یک گام زمانی به عقب برای پیش بینی یک هفته ای استفاده شد. نتایج نشان داد که روش XGBoost با میانگین مطلق خطا ۰۸/۰ و ضریب تعیین ۸۷/۰ عملکرد بهتری نسبت به سایر مدل ها داشت. همچنین، مدل های SGB و LSTM به ترتیب در رتبه های بعدی و MLP کمترین دقت را داشته است. نتایج پیش بینی هفت روزه نشان داد که مدل های بوستینگ، به ویژه XGBoost، توانایی بالایی در درک نوسانات داده ها دارد. نتایج این پژوهش نشان می دهد که داده های ماهواره ای AOD و مدل های پیشرفته یادگیری ماشین ابزارهای موثری برای پیش بینی و مدیریت آلودگی گرد و غبار می باشد.

کلیدواژه ها:

شاخص AOD ، ردیابی ریزگرد ، مدل HYSPLIT ، Xgboost