مدل داده‌کاوی مبتنی بر یادگیری ماشین جهت پیش‌بینی آلودگی هوا در کلان‌شهرهای ایران

در پاسخ به همه‌گیری کووید-19، دولت‌ها در سراسر دنیا محدودیت‌های شدیدی را اعمال نموده و سناریوهای متفاوتی از کاهش انتشار آلاینده‌های ناشی از منابع ترافیکی را ارائه کردند. با اعمال محدودیت‌های ترافیکی ناشی از همه‌گیری کووید-19 و قرنطینه، به نظر می رسید کاهش در تردد وسایل نقلیه و غلظت آلاینده ها صورت پذیرفته و به نوعی شاخص کیفیت هوا به استانداردهای کیفیت نزدیک گردد. بنابراین انتظار می رفت تغییراتی در غلظت‌ آلاینده های منواکسید کربن (co)، ازن (o3)، منواکسید نیتروژن (no)، دی اکسید نیتروژن (no2)، اکسیدهای نیتروژن (nox)، دی اکسید گوگرد (so2)، ذرات معلق با اندازه 2.5 میکرومتر یا کمتر (pm2.5) و ذرات معلق با اندازه 10 میکرومتر یا کمتر (pm10)که از عوامل بیماری زا و بعضاً مرگ زودرس می باشند، مشاهده گردد. با استفاده از روش یادگیری ماشین، در مرحله اول تغییر غلظت آلاینده ها در دوره همه گیری کووید-19 نسبت به دوره قبل از آن مورد بررسی قرار گرفت تا مشخص گردد که اعمال محدودیت های ترافیکی چه تاثیری در تغییر غلظت آلاینده ها در هر یک از کلان‌شهرهای مشهد و شیراز داشته است. در مرحله دوم، الگوهای پیش بین با استفاده از شبکه های عصبی پیشخور و عمیق جهت پیش بینی سطح اهمیت بهداشتی بر اساس اعمال هر یک از محدودیت های ترافیکی در هر کلان‌شهرارائه گردید. این مطالعه نشان داد که تغییر غلظت آلاینده‌ها در دوران کووید-19 نسبت به قبل از آن، در کلان‌شهرهای مشهد و شیراز متفاوت بوده است. با توجه به نتیجه حاصل شده و تفاوت در روند تغییر غلظت آلاینده ها، جهت کنترل شاخص کیفیت هوا، الگوهای پیش‌بین برای هر کلان‌شهر ارائه گردید. برای آلاینده ها، الگوی افزایشی و یا کاهشی یکسانی در کلان‌شهرهای مورد مطالعه مشاهده نشد، پس می‌توان گفت که تاثیر محدودیت های یکسان بر روی تغییر غلظت آلاینده ها در شهرهای مختلف، متفاوت بوده است؛ لذا اعمال محدودیت‌های یکسان در تمامی شهرها، لزوماً منجر به کاهش آلودگی نشده و می‌بایست برای برای هر موقعیت شهری و زیست‌محیطی، الگوی محدودیت‌های ترافیکی مختص آن موقعیت تهیه گردد. الگوی حاصل از این تحقیق را می توان به صورت روزانه، هفتگی، ماهانه و سالانه برای هر یک از دو کلان‌شهر مورد استفاده قرار داد و مشخص کرد که کدام محدودیت ها در کدام شهر سبب خواهد شد تا بتوانیم شاخص کیفیت هوا را کنترل نماییم.

data mining model based on machine learning to predict air pollution in the metropolises of iran

in response to the covid-19 pandemic, governments around the world have imposed severe restrictions and presented different scenarios of reducing emissions from traffic sources. with the application of traffic restrictions due to the covid-19 epidemic and quarantine, it seemed that there was a reduction in the traffic of vehicles and the concentration of pollutants and the air quality index approached the quality standards. therefore, it was expected to see changes in the concentration of co, o3, no, no2, nox, so2, pm2.5 and pm10 pollutants, which are pathogenic factors and sometimes premature death. using the data mining method, in the first stage, the change in the concentration of pollutants in the period of the covid-19 epidemic compared to the period before it is investigated in order to determine what effect the application of traffic restrictions has on the change in the concentration of pollutants in each from the metropolises of tehran and shiraz. in the second stage, predictive models are presented using feedforward and deep neural networks to predict the level of health importance based on the application of each of the traffic restrictions in each metropolis. this study shows that the change in the concentration of pollutants during the covid-19 era is different compared to before, in the cities of tehran and shiraz; in such a way that the concentration of most pollutants increased in tehran metropolis and decreased in shiraz metropolis. according to the result obtained and the difference in the process of changing the concentration of pollutants, in order to control the air quality index, predictive models were presented for each metropolis. for pollutants, the same increasing or decreasing pattern is not seen in the studied metropolises, so it can be said that the effect of the same restrictions on changing the concentration of pollutants is different in different cities; therefore, applying the same restrictions in all cities does not necessarily lead to a reduction in pollution, and for each urban and environmental situation, a model of traffic restrictions specific to that situation should be prepared.