بهبود دقت برآورد غلظت ازن در سطح زمين با استفاده از محصولات ماهواره‌اي و يادگيري ‌ماشين

ازن نزديك به سطح زمين يكي از آلاينده‌هاي بسيار خطرناك است كه تأثيرات زيان‌بار درخور توجهي در سلامت ساكنان مناطق شهري دارد. هدف از اين مطالعه شناسايي عوامل مؤثر در غلظت ازن و مدل‌سازي تغييرات آن، با استفاده از داده‌هاي ماهواره‌اي و روش‌هاي گوناگون يادگيري‌ ماشين در شهر تهران است. بدين‌منظور داده‌هاي غلظت آلاينده‌ها، داده‌هاي هواشناسي و دماي‌ سطح‌ خاك، طي بازه ‌زماني بين سال‌هاي 2015 تا 2021، به‌كار رفت. پس‌از محاسبه همبستگي بين غلظت ازن و پارامتر‌هاي مستقل، طي پنج حالت متفاوت، با پارامترهاي ورودي و روش يادگيري متفاوت و به‌كارگيري پالايش داده‌‌ها، غلظت ازن مدل‌سازي شد. در حالت اول و دوم، مدل‌سازي با استفاده از داده‌هاي غلظت آلاينده‌ها و داده‌هاي هواشناسي با روش رگرسيون خطي چندمتغيره انجام شد. تنها تفاوت اين دو حالت، پالايش داده‌هاي ورودي به‌شيوه WTEST در روش دوم است. در حالت سوم، دماي ‌سطح ‌خاك به داده‌هاي ورودي افزوده شد و در حالت چهارم و پنجم، به‌ترتيب مدل‌سازي ازن با استفاده از شبكه عصبي چندلايه‌اي و شبكه عصبي بازگشتي انجام شد. مقايسه اين حالت‌ها نشان داد كه مدل‌سازي‌هاي مراحل اول تا پنجم، به‌ترتيب با ضريب تعيين تعديل‌شده 5/0، 64/0، 69/0، 74/0 و 8/0 توانايي بازيابي غلظت ازن را داشته‌اند. همچنين مشخص شد در بين آلاينده‌هاي گوناگون، ‌مونوكسيد نيتروژن، ‌دي‌اكسيد نيتروژن، نيتراكس و از ميان داده‌هاي هواشناسي دما، رطوبت و سرعت باد بيشترين تأثير را در غلظت ازن دارند. افزودن دماي ‌سطح ‌خاك به داده‌هاي ورودي نيز افزايش پنج‌درصدي دقت را در برآورد غلظت ازن، به‌همراه داشت.