مدلسازي غلظت ذرات معلق PM2.5 بر مبناي جانهي داده‌ها و استفاده از روش‌هاي يادگيري ماشين

مدلسازي دقيق تغييرات مكاني-زماني نيازمند روش مناسب و داده هاي كامل و دقيق است. داده ‌ها از حسگرهاي ايستگاه ‌هاي پايش جمع آوري مي ‌شوند. تعداد اين ايستگاه ها محدود است و به دليل عوامل اجتناب ناپذير بخشي از داده ها از دست مي روند. نوآوري مقاله حاضر، غلبه بر محدوديت ‌هاي روش ‌هاي موجود در جانهي مقادير از دست رفته PM2.5 است. محدوديت روش ‌هاي موجود، عدم توجه همزمان به مكانيسم مكاني-زماني داده هاي از دست‌رفته است. به منظور غلبه بر محدوديت ‌هاي روش هاي موجود، جانهي مقادير از دست رفته  PM2.5 همراه با در نظر گرفتن روابط بين متغيرها با حفظ تغيير پذيري و عدم قطعيت طبيعي آن ‌ها، با استفاده از مدل ‌هاي درخت اضافي و درخت تصميم پياده‌سازي گرديد. نتايج نشان داد كه روش درخت اضافي به دليل كاهش سوگيري با ميانگين 0.80=R2دقت بالاتري از روش درخت تصميم با ميانگين 0.64=R2  در جانهي مقادير از دست رفته PM2.5دارد. پس از مديريت داده ‌هاي از دست رفته با استفاده از روش درخت اضافي، از روش XGBoost به دليل ارزيابي غيرخطي اهميت متغيرهاي موثر با هدف افزيش دقت و كاهش هزينه محاسباتي براي مدلسازي تغييرات مكاني-زماني آلاينده PM2.5 در بافت هاي مختلف جغرافيايي كلانشهر تهران استفاده گرديد. متغيرهاي موثر درنظرگرفته شده براي جانهي و مدلسازي شامل داده هاي هواشناسي و ساير آلاينده هاي اصلي نظير O3،Pm10،Co،So2، No2  است. متغيرهاي هواشناسي شامل مجموع بارش، رطوبت نسبي، دما از مدل ECMWF استخراج گرديدند. استفاده از مدل ECMWF علاوه بر افزايش تعداد ايستگاه هواشناسي، امكان استفاده از رزولوشن يك ساعتي با تعداد بسيار ناچيز داده از دست رفته را در مقابل تعداد محدود، رزولوشن سه ساعتي با تعداد زياد داده از دست‌رفته هواشناسي را فراهم مي ‌كند.