مدل‌سازی و پیش‌بینی آلودگی گرد و غبار با استفاده از داده‌های ماهواره‌ای و مدل‌های یادگیری ماشین (مطالعه موردی: اهواز)

آلودگی گرد و غبار یکی از چالش‌های زیست‌محیطی در مناطق خشک و نیمه‌خشک است که تاثیرات زیان‌بار آن بر سلامت عمومی، کشاورزی، منابع‌آبی و زیرساخت‌ها حائز اهمیت است. در این پژوهش به منظور پیش‌بینی آلودگی ریزگرد (pm10) شهر اهواز، از شاخص aod ماهواره مودیس در بازه زمانی 2016 تا 2022 استفاده شد و چهار تکنیک یادگیری ماشین شامل xgboost، sgb، lstm و mlp به کار گرفته شد. برای این منظور ابتدا با استفاده از مدل hysplit، مسیرهای ریزگرد ردیابی و فراوانی آن بررسی شد. سپس با استفاده از تصاویر تروکالر ماهواره، ایستگاه‌های مجازی در مسیر حرکت ریزگرد تعیین و از مقادیر aod این نقاط به عنوان داده‌های ورودی به مدل‌های پیش‌بینی استفاده شد. نتایج نشان داد که همبستگی داده‌های شاخص aod ماهواره‌ای با داده‌های واقعی pm10 در سال‌های 2021 و 2022 در حد 0.01 معنادار بوده و ضرایب تعیین به ترتیب 0.89 و 0.85 به دست آمد. بررسی نقشه‌های مسیریابی ریزگردها مشخص کرد که گرد و غبار از مبدا کشور عراق به اهواز منتقل شده است. میانگین داده‌هایaod از هشت ایستگاه مجازی در یک گام زمانی به عقب برای پیش‌بینی یک هفته ای استفاده شد. نتایج نشان داد که روش xgboost با میانگین مطلق خطا 0.08 و ضریب تعیین 0.87 عملکرد بهتری نسبت به سایر مدل‌ها داشت. همچنین، مدل‌های sgb و lstm به ترتیب در رتبه‌های بعدی و mlp کمترین دقت را داشته است. نتایج پیش‌بینی هفت روزه نشان داد که مدل‌های بوستینگ، به‌ویژه xgboost، توانایی بالایی در درک نوسانات داده‌ها دارد. نتایج این پژوهش نشان می‌دهد که داده‌های ماهواره‌ای aod و مدل‌های پیشرفته یادگیری ماشین ابزارهای موثری برای پیش‌بینی و مدیریت آلودگی گرد و غبار می‌باشد.

modeling and forecasting dust pollution using satellite data and machine learning techniques (a case study of ahvaz)

dust pollution presents a significant environmental challenge in arid and semi-arid regions, adversely impacting public health, agriculture, water resources, and infrastructure. this study aimed to forecast pm10 dust pollution in ahvaz by utilizing modis satellite aod data collected from 2016 to 2022, alongside four machine learning techniques: xgboost, sgb, lstm, and mlp. initially, the hysplit model was employed to track dust paths and analyze their frequency. subsequently, true color satellite images were used to identify virtual stations along these dust paths, and the aod values at these locations served as input data for the forecasting models. the results indicated a significant correlation between the satellite aod data and actual pm10 data for 2021 and 2022, at significance level of 0.01 and determination coefficients of 0.89 and 0.85, respectively. dust tracking maps demonstrated that dust was being transported from iraq to ahvaz. average aod data from eight virtual stations, with a one-day lag, was used for weekly dust prediction. model evaluation results revealed that xgboost outperformed the other models, achieving a mean absolute error of 0.08 and a coefficient of determination of 0.87, followed by the sgb and lstm models with almost same performance, while the mlp model showed the lowest accuracy. predictions for the following seven days indicated that boosting models, particularly xgboost, effectively captured data fluctuations. this research demonstrates that aod satellite data, combined with advanced machine learning techniques, are valuable tools for forecasting and managing dust pollution.