تخمین مکانی و زمانی غلظت pm2.5 با استفاده از داده‌های عمق اپتیکی هواویز و هواشناسی بر مبنای الگوریتم‌های یادگیری ماشین و بهینه‌سازی (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

spatiotemporal estimation of pm2.5 concentration using remotely sensed data, machine learning, and optimization algorithms

pm 2.5 (particles <2.5 μm in aerodynamic diameter) can be measured by ground station data in urban areas, but the number of these stations and their geographical coverage is limited. therefore, these data are not adequate for calculating concentrations of pm2.5 over a large urban area. this study aims to use aerosol optical depth (aod) satellite images and meteorological data from 2014 to 2017 for spatial distribution simulation of pm 2.5 concentrations over the mega-city of tehran. the multilayer perceptron (mlp), multiple linear regression (mlr), and decision tree (dt) models were used to estimate the concentrations of pm 2.5. the results showed that mlp with a root mean square error (rmse) of 11.46 and r2 coefficient of 0.67 outperformed the mlr and dt models. however, the best model had low prediction accuracy. so, three optimization algorithms, namely, particle swarm optimization (pso), genetic algorithm (ga), and migration-based genetic algorithm (mbga) were used to improve the accuracy of the models. the use of ga and mbga algorithms improved the accuracy of the models significantly and led to the rmse of 1.71 and r2 of 0.99 for the hybrid model of mbga-mlp. the proposed hybrid models in this paper can be used to estimate the pm2.5 concentrations.