مدل سازی مکانی ذرات معلق هوا (pm2.5 و pm10) در شهر تهران با استفاده از شبکه عصبی کانولوشن

آلودگی هوا خطرات قابل توجهی را برای سلامت انسان و محیط زیست به همراه دارد، که این موضوع ایجاد راهبردهای موثر در مدیریت کیفیت هوا را ضروری می‌سازد. این مطالعه رویکردی برای مدیریت کیفیت هوا شهر تهران با استفاده از الگوریتم شبکه عصبی کانولوشن (cnn) ارائه می‌دهد. روش پیشنهادی امکان مدل سازی مکانی و تهیه نقشه خطر دو آلاینده هوایی مهم یعنی ذرات معلق 2.5 میکرومتر (pm2.5) و ذرات معلق 10 میکرون (pm10) را فراهم می‌نماید. برای توسعه این مدل آلودگی هوا، از داده‌های موجود در پایگاه داده حاوی میانگین سالانه دو آلاینده از سال 2012 تا 2022 استفاده شده است. در این مدل، پارامترهای مختلف موثر بر آلودگی هوا شامل ارتفاع، رطوبت، فاصله تا مناطق صنعتی، شاخص تفاوت نرمال شده گیاهان (ndvi)، چگالی جمعیت، بارش، فاصله تا خیابان، دما، حجم ترافیک، جهت باد و سرعت باد در نظر گرفته شده و مدل سازی مکانی دو آلاینده با استفاده از شبکه عصبی کانولوشنی (cnn) انجام گردیده است. ارزیابی مدل با استفاده از معیارهای ارزیابی مختلف انجام گردید. نتایج نشان داد مقادیر (r2) -squared rدر این مدل برای آلاینده‌های pm2.5 و pm10 به ترتیب 0.889 و 0.972 است. دقت نقشه خطر با استفاده از مساحت زیر منحنی عملکرد مشخص کننده (relative operating characteristic) roc)) برای دو آلاینده ارزیابی گردید که نتایج نشان دادند مدل cnn در تولید نقشه خطر آلودگی دقت قابل پذیرشی دارد. به طور کلی، نقشه‌های خطر اطلاعات مفیدی درباره مناطق جغرافیایی با خطرات آلودگی بالا ارائه می‌دهند و در تلاش‌ها به منظور تصمیم سازی و کاهش هدفمند آلودگی کمک می‌نمایند.

spatial modeling of airborne particles (pm2.5 and pm10) in tehran city using convolutional neural network.

air pollution poses significant risks to human health and the environment, which makes it necessary to create effective strategies for air quality management. this study presents an approach for air quality management in tehran using the convolutional neural network (cnn) algorithm. the proposed method provides the possibility of spatial modeling and preparation of risk maps of two important air pollutants, namely particulate matter 2.5 (pm2.5) and particulate matter 10 (pm10). to develop this air pollution model, the data available in the database containing the annual average of two pollutants from 2012 to 2022 were used. in this model, various parameters affecting air pollution including altitude, humidity, distance to industrial areas, normalized difference index of plants (ndvi), population density, precipitation, distance to the street, temperature, traffic volume, wind direction, and wind speed are considered. taken and spatial modeling of two pollutants using cnn has been done. the evaluation of the model was done using different evaluation criteria, and the findings showed that the r-squared (r2) values in this model for pm2.5 and pm10 pollutants are 0.889 and 0.972, respectively. the accuracy of the risk map was evaluated using relative operating characteristic (roc) for two pollutants, and the findings showed that the cnn model has an acceptable accuracy in producing the pollution risk map. in general, risk maps provide useful information about geographic areas with high pollution risks and help in decision-making and targeted pollution reduction efforts.