یک روش مبتنی بر شبکه عصبی جهت اندازه‌گیری بهنگام غلظت آلاینده‌های گازی شهر تهران با استفاده از تصاویر سنجنده مادیس

امروزه آلاینده‌های گازی به عنوان چالشی مهم در شهرهای بزرگ مطرح می‌‌باشند. با توجه به این که این آلاینده‌ها باعث بروز اثرات منفی بر سلامت انسان و تخریب محیط زیست می‌شود، روش‌های متعددی به منظور پیش‌بینی غلظت آلاینده‌های گازی از جمله مونواکسیدکربن (co)، دی‌اکسیدنیتروژن (no2) و دی‌اکسیدگوگرد (so2)، توسط پژوهشگران ارایه شده است. هدف از پژوهش حاضر محاسبه‌ بهنگام غلظت آلاینده‌های گازی با استفاده از داده‌های سنجنده‌ مادیس شامل دمای سطح زمین به صورت شبانه و روزانه، عمق نوری آئروسل، شاخص پوشش گیاهی و داده‌های ایستگاه‌های زمینی پایش غلظت آلاینده‌ها با استفاده از شبکه عصبی پرسپترون چند لایه می‌باشد. با توجه به نتایج، شبکه عصبی پرسپترون با 8 نورون بهترین عملکرد را نشان داده است. این 8 نورون شامل 4 نورون در لایه ورودی، 3 نورون در لایه پنهان و یک نورون در لایه خروجی می باشد. 80 درصد از داده‌ها به عنوان داده آموزشی و 20 درصد داده‌ها به عنوان داده آزمایشی و 15 درصد از داده‌های آموزشی نیز به منظور صحت‌سنجی شبکه در نظر گرفته شده است. با استفاده از داده‌های آموزشی و آزمایشی مذکور، پارامترهای تعداد دوره و نرخ یادگیری تحلیل حساسیت شده و مناسب ترین پارامترها انتخاب شده است. به منظور ارزیابی مقایسه ای نیز از روش رگرسیون جنگل تصادفی استفاده شده است. با توجه به نتایج، شبکه عصبی پرسپترون چند لایه نسبت به رگرسیون جنگل تصادفی عملکرد بهتری را نشان داد. در گام آخر نیز به تجزیه و تحلیل کیفی نقشه‌ غلظت آلاینده‌ها و ارتباط آن‌ها با کاربری زمین و معابر موجود حول هر یک از ایستگاه‌های زمینی پایش کنترل کیفیت هوا پرداخته شده است. داده‌های شهر تهران به صورت سری زمانی 6 ساله از سال 1393 تا 1399 مورد استفاده قرار گرفت. ارزیابی دقت روش پیشنهادی با استفاده از داده‌های آزمایشی، دقت 86 درصدی در اندازه‌گیری آلاینده مونواکسیدکربن (co) و دی‌اکسیدنیتروژن (no2) و دقت 96 درصدی را در اندازه گیری آلاینده دی‌اکسیدگوگرد (so2) نشان داد.

a neural network-based approach for real-time measurement of the concentration of gaseous pollutants in tehran using modis

nowadays, gas pollutants are considered as an important challenge in big cities. due to the fact that gaseous pollutants have negative effects on human health and destroy the environment, there are several methods for predicting the concentration of gaseous pollutants such as carbon monoxide (co), nitrogen dioxide (no2) and sulfur dioxide (so2). the aim of the present research is to calculate the concentration of gaseous pollutants in real time using modis sensor data, including night and day surface temperature, aerosol light depth, vegetation index and the data from the ground stations monitoring the concentration of the pollutants using multi-layer perceptron neural network. the perceptron neural network had the  best performance with 8 neurons, 4 of which in the input layer, 3 in the middle layer, and one  in the output layer. 80% of the data were considered as the training data and 20% as the test data; and 15% of the training data were considered  for validation of the network. using the aforementioned training and experimental data, the parameters of the number of periods and the learning rate were subjected to sensitivity analysis and the most suitable parameters were selected. in the next step, the random forest regression method was used to compare the results. the results showed that  the multilayer perceptron neural network performed better than the random forest regression. in this research, the qualitative analysis of the pollutant concentration map and the pollutants’ relationship with the land use and the existing roads around each of the air quality control monitoring stations was done. the data of tehran city were used as a 6-year time series from 1393 to 1399. the accuracy evaluation of the proposed method using the experimental data shows 86% accuracy for measuring carbon monoxide (co) and nitrogen dioxide (no2) pollutants and 92% accuracy for sulfur dioxide (so2) one.