تلفيق تصاوير ماهواره‌اي و مشاهدات زميني به منظور مدل‌سازي آلودگي هوا بر اساس شاخص 2.5PM با استفاده از رويكرد يادگيري عميق

كارشناسي ارشد

با توجه به پيشرفت سريع شهرنشيني و صنعتي شدن شهرها، آلودگي هوا به يكي از چالشها و مسائل اساسي زيستمحيطي در كشورها و شهرهاي بزرگ و صنعتي مبدل گشتهاست. آلاينده‌هاي هوا از جمله عوامل اصلي ايجاد كننده بيماريها در انسان محسوب ميشوند. در اين ميان، ذرات معلق با قطر آيروديناميكي كمتر از 2.5 ميكرومتر (2.5PM)، كه به عنوان اصليترين عامل آلودگي در كشور ايران نيز شناخته شدهاند، از طريق استنشاق به دستگاه تنفسي نفوذ ميكنند و باعث بيماريهاي تنفسي و قلبي عروقي، اختلالات توليد مثل و سيستم عصبي مركزي و ابتلا به سرطان ميشوند. مدل‌سازي دقيق مكاني-زماني غلظت آلاينده‌هاي هوا به ويژه براي مديريت كيفيت هوا و مورد ارزيابي قرار دادن آن، در مطالعات اپيدميولوژيك بسيار مهم است. از يك سو، رشد سريع فناوريهاي محاسباتي و دسترسي به داده‌هاي مرتبط با كيفيت هوا اين امكان را فراهم كردهاست تا محققين مسائل پيچيده را به شكل مدل هاي يادگيري عميق براي ارزيابي غلظت آلاينده‌هاي مختلف در هوا مورد بررسي قرار دهند . از سوي ديگر، اندازهگيري غلظت 2.5PM در محل به عنوان يك استاندارد طلايي مورد توجه قرار ميگيرد، اما اين فرايند زمان بر و پرهزينه است. علاوه بر اين، ايستگاههاي پايش كيفيت هوا ميتوانند در تحليل آلودگي هوا در نقاط واقع شده و اطراف آنها به كار گرفتهشوند، اما اين امكان براي پوشش كل منطقه وجود ندارد. بنابراين محصولات عمقنوري آيروسل (AOD) بدست آمده از طريق ماهوارهها و همچنين تصاوير ماهوارهاي از ساير آلاينده‌هاي موثر بر غلظت 2.5PM ،اين پتانسيل را دارند كه همراه با اطلاعات ايستگاههاي پايش زميني، برآوردهايي از 2.5PM با قدرت تفكيك مكاني-زماني گستردهتر، ارائه كنند. در گام اول اين پژوهش به آمادهسازي و تكميل داده‌هاي مورد استفاده پرداختهشده است. در گام دوم، روشهاي پيشبيني مكاني-زماني غلظت آلايندهي 2.5PM در بازههاي زماني مختلف براي پيشبيني و برآورد توزيع پيوسته ماهانه بر پايه شبكه‌هاي يادگيري عميق نظير شبكه كانولوشني(CNN)، حافظه كوتاه مدت ماندگار (LSTM) و تركيب اين دو شبكه (ConvLSTM) و همچنين پرسپترون چند لايه (MLP) پيادهسازي و ارزيابي شدهاست. در ادامه، نتايج بدست آمده از مدل‌ها در تاخير زماني و ماه پيشبيني يكسان با يكديگر مقايسه شدهاند. ساختار مدل‌هاي به كار رفته با توجه به داده‌هاي ورودي طراحي شده و به صورت آزمون و خطا و روش جستجوي شبكهاي بهينه‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌سازي شده است. در پايان، تاثير داده‌هاي استفادهشده در اين پژوهش با استفاده از روش گراديان مورد بررسي قرار گرفتهاست. داده‌هاي مورد استفاده در اين پژوهش شامل غلظت ماهانه آلاينده 2.5PM، پارامترهاي هواشناسي، داده‌هاي سنجش از دوري و همچنين پارامترهاي نظير، جادهها، موقعيت نيروگاهها و تراكم جمعيت در بازهي زماني سال 2021 ميباشد. نتايج بررسيها بيانگر اين است كه، مدل ConvLSTM عملكرد بهتري در مقايسه با ديگر روشها داشته است. اين مدل همچنين قادر است 91 درصد (0.91=R2) از تغييرات غلظت 2.5PM براي پيشبيني زماني يك ماه آينده را تخمين زده و سطح آلودگي را پيشبيني كند. جمعبندي نتايج اين پژوهش نشان ميدهد كه استفاده همزمان از انواع داده‌هاي سنجش از دور و ايستگاه هاي زميني و بكارگيري شبكه عميق ConvLSTM ميتواند در آموزش ارتباطات مكاني و زماني موجود در سري زماني داده‌ها براي پيشبيني و مدل‌سازي آلودگيها موثر باشد.

227291

دانشگاه اصفهان

مهندسي نقشه برداري- سيستم هاي اطلاعات مكاني

جمشيد مالكي