رویکرد ترکیبی جهت پالایش و بازسازی دادههای آلایندگی هوا در کلانشهر تهران با استفاده از یادگیری ماشین | ||
| مهندسی محیط زیست و توسعه پایدار | ||
| Article 4, Volume 1, Issue 1, Winter 1404, Pages 39-50 PDF (1.6 M) | ||
| Document Type: پژوهشی اصیل | ||
| Authors | ||
| محمد هاشم زاده1; فائزه برهانی* 2 | ||
| 1دانشجوی دکتری، گروه مهندسی محیط زیست، دانشکده مهندسی عمران و محیطزیست، دانشگاه تربیت مدرس، تهران، ایران | ||
| 2استادیار، گروه مهندسی محیط زیست، دانشکده مهندسی عمران و محیطزیست، دانشگاه تربیت مدرس، تهران، ایران | ||
| Abstract | ||
| آلودگی هوا از معضلات اصلی کلانشهرهاست و مدیریت آن به دادههای باکیفیت وابسته است. در کشورهای در حال توسعه مانند ایران، دسترسی به دادههای زمینی باکیفیت چالشبرانگیز است. دادههای ماهوارهای میتوانند راهحل مناسبی باشند، اما وجود دادههای ناقص و پرت از چالشهای اصلی آنهاست. این مطالعه با هدف رفع چالش دادههای ناقص آلودگی هوای تهران، از رویکرد ترکیبی برای پالایش و بازسازی دادهها استفاده میکند. دادهها مورد استفاده شامل آلایندهها NO2، CO و O3 از سنجنده Sentinel-5p و متغیرهای هواشناسی ERA5-land در بازه دسامبر ۲۰۱۸ تا مارس ۲۰۲۵ است. نتایج حاکی از فراوانی دادههای ناقص آلایندهها در دسامبر به دلیل شرایط جوی است که CO بیشترین نقص را داراست. در ادامه برای یافتن دادههای پرت از یک فرآیند دو مرحلهای شامل Robust Z-score تک بعدی و Isolation Forest (IF) چندبعدی استفاده شد. تحلیل دادهها نشان داد که ماههای سرد سال بیشترین تعداد دادههای پرت برای آلایندهها را دارا بوده و NO2 بیشترین تعداد را نسبت به سایر آلایندهها به خود اختصاص داد. برای بازسازی مقادیر گمشده از الگوریتم LightGBM استفاده شد که نتایح ضریب تعیین (r²) به ترتیب 61/0، 50/0 و 38/0 برای NO2، O3 وCO به دست آمد. با توجه به محدودیت دادههای مورد استفاده و عدم استفاده از الگوریتمهای پیچیده زمانی-مکانی در قیاس با مطالعات پیشین، نتایج بدست آمده به خصوص برای آلایندههای NO2 و O3 قابل قبول ارزیابی میشود. نتایج این پژوهش ظرفیت تلفیق دادههای ماهوارهای و هواشناسی با یادگیری ماشین برای بهبود پایش کیفیت هوا در محیطهای شهری با کمبودِ داده را به نمایش گذاشت. | ||
| Keywords | ||
| آلودگی هوا; تکمیل دادههای ناقص; شناسایی دادههای پرت; Isolation Forest; LightGBM | ||
| References | ||
|
| ||
|
Statistics Article View: 368 PDF Download: 129 |
||
| Number of Journals | 45 |
| Number of Issues | 2,196 |
| Number of Articles | 24,877 |
| Article View | 28,768,497 |
| PDF Download | 18,603,310 |