پیش‌بینی مکانی-زمانی غلظت آلاینده‌ی pm2.5 با استفاده از شبکه‌های بازگشتی عمیق: مطالعه موردی شهر تهران

در سال‌های اخیر آلودگی هوا به یکی از چالش‌های مهم زیست‌محیطی در شهرهای بزرگ و صنعتی به ویژه شهر تهران تبدیل‌شده است. غلظت بالای ذرات معلق با قطر کمتر از 2/5 میکرومتر (pm2.5) که به عنوان اصلی‌ترین عامل آلودگی شهر تهران شناخته شده است، با تاثیرات جبران ناپذیری بر سلامتی انسان همراه است. ارائه مدل مکانیزمانی با دقت و سرعت بالا برای پیش‌بینی به عنوان یک روش موثر برای حفاظت از سلامت عمومی در برابر افزایش آلاینده‌های مضر هوا می‌باشد. رشد سریع فن‌آوری‌های محاسباتی و در دسترس بودن داده‌های مربوط به کیفیت هوا این فرصت را برای محققان فراهم کرده است تا مدل‌های پیچیده‌ای را در چارچوب یادگیری ماشین و یادگیری عمیق برای پیش‌بینی غلظت آلاینده‌های مختلف هوا ارائه دهند. در این پژوهش با هدف پیش‌بینی غلظت pm2.5 در فواصل زمانی مختلف، یک مدل ترکیبی مکانیزمانی جدید مبتنی بر واحد گیت دار بازگشتی (gru) با حفظ و استخراج وابستگی‌های زمانی و مکانی در داده‌های سری زمانی آلودگی هوا ارائه شده است و عملکرد آن با روش‌های رگرسیون ماشین بردار پشتیبان (svr) و حافظه‌ی بلندمدت ماندگار (lstm) مقایسه شده است. داده‌های مورد استفاده در این پژوهش شامل غلظت ساعتی آلاینده‌ی pm2.5 و پارامترهای هواشناسی ثبت‌شده به ترتیب توسط 13 ایستگاه سنجش آلودگی و 3 ایستگاه هواشناسی سینوپتیک در شهر تهران در بازه‌ی زمانی 17 آذر 1395 تا 8 اسفند 1397 می‌باشد. مدل ارائه شده در این مقاله با شاخص‌های ارزیابی rmse = 7.97 μg/m^3 و mae = 5.35 μg/m^3 بهترین نتیجه را برای پیش‌بینی آلودگی در مقایسه با روش‌های دیگر کسب کرده است. این مدل می‌تواند 80 درصد (80 = r^2) از تغییرات غلظت pm2.5 را تعیین و سطح آلودگی را پیش‌بینی کند. همچنین مدل پیشنهادی با استخراج ویژگی‌های زمانی، پیش‌بینی هم‌زمان برای تمام ایستگاه‌ها و در نظر گرفتن همبستگی‌های مکانی اثبات کرده است که می‌تواند برای پیش‌بینی و کنترل آلودگی هوا به طور موثر به کار گرفته شود.

Spatial-Temporal Prediction of PM2.5 Pollutants Using Deep Recurrent Networks: A Case Study of Tehran

In recent years, air pollution has become one of the most important environmental challenges in large and industrial cities such as Tehran. High concentration of particulate matter with a diameter of less than 2.5 mu;m (PM2.5), which is known as the main cause of pollution in Tehran, is associated with irreversible effects on human health. Providing spatialtemporal model with high accuracy and speed for forecasting, is an effective way to protect public health against the increase of harmful air pollutants. The rapid growth of computing technologies and the availability of air quality data have provided researchers with the opportunity to provide sophisticated models in the context of machine learning, especially in deep learning to predict the concentrations of various air pollutants. In this study, with the aim of predicting PM2.5 concentrations at different time intervals, a new spatiotemporal deep learning model based on gated recurrent units (GRU) is presented which maintains and extracts temporal and spatial dependencies in the time series of air pollution datasets. The proposed model has been compared with support vector machine regression (SVR) and longterm memory (LSTM) methods as competitive approaches. The data used in this study include the hourly concentration of PM2.5 and meteorological parameters recorded by 13 air pollution monitoring stations and 3 synoptic meteorological stations in Tehran in the period of December, 2016 to February, 2019, respectively. The model presented in this paper with the RMSE of 7.97 mu;g/m3 and MAE of 5.35 mu;g/m3 has the best result for predicting air contamination compared to other methods. This model can determine 80% (R2=80) of PM2.5 concentration changes and predict contamination level. The proposed model also proves that it can be used effectively to predict and control air pollution by extracting temporal properties, simultaneous forecasting for all stations and considering spatial correlations.