پیش بینی بهبود یافته کیفیت هوا و ذرات معلق در مطالعات محیط زیستی با استفاده از ترکیب ماشین های تورینگ عصبی، شبکه های مولد متخاصم و الگوریتم بهینه سازی ازدحام ذرات

زمینه و هدف: یزگردها (ذرات آئروسل) یکی از مهم ترین چالش های محیط زیستی و سلامت عمومی در دهه های اخیر محسوب می شوند. این ذرات با اندازه ای بین ۱ نانومتر تا ۱۰۰ میکرومتر قادرند در محیط زیست و بافت های زیستی نفوذ کرده و حامل ترکیبات سمی نظیر مونوکسیدکربن، ازن، دی اکسید نیتروژن و دی اکسید گوگرد باشند. هدف این پژوهش ارائه یک چارچوب هوشمند جهت بهبود دقت پیش بینی شاخص های آلودگی هوا در مطالعات محیط زیستی است. روش پژوهش :در این تحقیق، چارچوب ترکیبی DAerosol.GAN.NTM.PSO طراحی و پیاده سازی شد. در این مدل، ماشین تورینگ عصبی (NTM) به عنوان حافظه خارجی آدرس پذیر برای ذخیره و بازیابی وابستگی های بلندمدت، شبکه مولد متخاصم(GAN) برای بهبود بازنمایی و یادگیری الگوهای پیچیده داده ها، و الگوریتم بهینه سازی ازدحام ذرات (PSO) برای تنظیم بهینه پارامترهای مدل به کار گرفته شد. مدل پیشنهادی جهت پیش بینی شاخص های (۱۰)PM و (۲.۵)PM و AQI مورد استفاده قرار گرفت. یافته ها: نتایج تجربی نشان داد چارچوب پیشنهادی در مقایسه با مدل های DAerosol.NTM، DAerosol.GAN.NTM، MLP، DNN، LSTM و DLSTM عملکرد بهتری از نظر شاخص های ارزیابی داشته و دقت پیش بینی را به طور معناداری افزایش می دهد. همچنین مدل قادر است افزایش آلودگی هوا را تا ۱۲۰ ساعت قبل و بعد از رویداد آئروسل پیش بینی نماید. بحث و نتیجه گیری: چارچوب پیشنهادی با بهره گیری از حافظه بلندمدت و بهینه سازی هوشمند پارامترها، امکان ذخیره و تحلیل داده های آلودگی هوا تا بازه زمانی ۲۰ سال را فراهم می سازد و می تواند در سیاست گذاری های محیط زیستی، مدیریت بحران آلودگی هوا و تصمیم گیری های کلان کاربرد موثری داشته باشد.

کلیدواژه ها:

ریزگردها ، کیفیت هوا ، ماشین تورینگ عصبی ، شبکه مولد متخاصم ، بهینه سازی ازدحام ذرات