پيش‌بيني مكاني-زماني غلظت آلاينده‌ي PM2.5 با استفاده از شبكه‌هاي بازگشتي عميق: مطالعه موردي شهر تهران

در سال‌هاي اخير آلودگي هوا به يكي از چالش‌هاي مهم زيست‌محيطي در شهرهاي بزرگ و صنعتي به ويژه شهر تهران تبديل‌شده است. غلظت بالاي ذرات معلق با قطر كمتر از 2/5 ميكرومتر (PM2.5) كه به عنوان اصلي‌ترين عامل آلودگي شهر تهران شناخته شده است، با تأثيرات جبران ناپذيري بر سلامتي انسان همراه است. ارائه مدل مكانيزماني با دقت و سرعت بالا براي پيش‌بيني به عنوان يك روش موثر براي حفاظت از سلامت عمومي در برابر افزايش آلاينده‌هاي مضر هوا مي‌باشد. رشد سريع فن‌آوري‌هاي محاسباتي و در دسترس بودن داده‌هاي مربوط به كيفيت هوا اين فرصت را براي محققان فراهم كرده است تا مدل‌هاي پيچيده‌اي را در چارچوب يادگيري ماشين و يادگيري عميق براي پيش‌بيني غلظت آلاينده‌هاي مختلف هوا ارائه دهند. در اين پژوهش با هدف پيش‌بيني غلظت PM2.5 در فواصل زماني مختلف، يك مدل تركيبي مكانيزماني جديد مبتني بر واحد گيت دار بازگشتي (GRU) با حفظ و استخراج وابستگي‌هاي زماني و مكاني در داده‌هاي سري زماني آلودگي هوا ارائه شده است و عملكرد آن با روش‌هاي رگرسيون ماشين بردار پشتيبان (SVR) و حافظه‌ي بلندمدت ماندگار (LSTM) مقايسه شده است. داده‌هاي مورد استفاده در اين پژوهش شامل غلظت ساعتي آلاينده‌ي PM2.5 و پارامترهاي هواشناسي ثبت‌شده به ترتيب توسط 13 ايستگاه سنجش آلودگي و 3 ايستگاه هواشناسي سينوپتيك در شهر تهران در بازه‌ي زماني 17 آذر 1395 تا 8 اسفند 1397 مي‌باشد. مدل ارائه شده در اين مقاله با شاخص‌هاي ارزيابي RMSE = 7.97 μg/m^3 و MAE = 5.35 μg/m^3 بهترين نتيجه را براي پيش‌بيني آلودگي در مقايسه با روش‌هاي ديگر كسب كرده است. اين مدل مي‌تواند 80 درصد (80 = R^2) از تغييرات غلظت PM2.5 را تعيين و سطح آلودگي را پيش‌بيني كند. همچنين مدل پيشنهادي با استخراج ويژگي‌هاي زماني، پيش‌بيني هم‌زمان براي تمام ايستگاه‌ها و در نظر گرفتن همبستگي‌هاي مكاني اثبات كرده است كه مي‌تواند براي پيش‌بيني و كنترل آلودگي هوا به طور مؤثر به كار گرفته شود.