تخمین مکانی و زمانی غلظت PM2.5 با استفاده از داده های عمق اپتیکی هواویز و هواشناسی بر مبنای الگوریتم های یادگیری ماشین و بهینه سازی (مطالعه موردی: شهر تهران)

امروزه با قرارگیری ایستگاه های زمینی سنجش آلودگی هوای غلظت PM2.5  در مکان های مختلفی از شهر ، میزان غلظت با دقت بالایی اندازه گیری می شوند اما ایراد اصلی که بر این ایستگاه های زمینی گرفته می شود، محدود بودن این ایستگاه ها و پراکندگی محدود آنهاست در نتیجه امکان برآورد غلظت در یک منطقه وسیع را در اختیار نمی گذارد از این رو در این تحقیق از داده های MODIS  نظیر  عمق اپتیکی هواویز اخذ شده از تصاویر ماهواره ای NASA و همچنین از داده های هواشناسی در سال های 1396 تا 1399 استفاده شده است .در مطالعه حاضر ما ابتدا از الگوریتم های یادگیری ماشین نظیر درخت تصمیم گیری، رگرسیون خطی چندگانه و پرسپترون چند لایه با استفاده از آموزش داده های AOD و هواشناسی استفاده کردیم، نتایج نشان داد که برای این داده ها خطای روش ها به صورت MLP<dc<mlr بوده درنتیجه بهترین دقت ، روش MLP  بوده است (RMSE=11.46  و R2=0.67) همچنین برای بهبود دقت از الگوریتم های بهینه سازی نظیر روش بهینه سازی ازدحام ذرات، الگوریتم ژنتیک و الگوریتم ژنتیک مبتنی بر مهاجرت استفاده شده است، الگوریتم هایGA  و الگوریتم MBGA دقت مطلوبی دادند که الگوریتمMBGA  توانست خطا را بهینه کند مدل برآورد PM2.5 با استفاده از روش MBGA+MLP توانست غلظت PM2.5 را با دقت بالا(RMSE=1.71  و  R2=0.99) برآورد کند. این تحقیق یک الگوریتم پیشنهادی (MBGAMLP) برای تخمین غلظت ارایه می دهد که سازمان های دولتی می توانند در اجرای سیاست های حفاظت از محیط زیست استفاده کنند.</dc<mlr