برآورد شاخص كيفيت هوا با استفاده از شبكه عميق LSTM؛ مطالعه موردي: ايستگاه پونك تهران

اصفهان : دانشگاه صنعتي اصفهان

علوم و مهندسي محيط‍‌زيست

كارشناسي ارشد

پيش‌بيني و نظارت بر كيفيت هوا به عنوان يك بخش مهم مديريت شهري به دليل آثار عميق آن بر سلامت عمومي و پايداري محيطي، اهميت زيادي پيدا كرده‌ است. در اين مطالعه، كاربرد شبكه‌هاي عصبي حافظه كوتاه-مدت طولاني (LSTM) در پيش‌بيني شاخص كيفيت هوا (AQI) در شهر تهران مورد بررسي قرار گرفت. مدلLSTM كه يك نوع از شبكه‌هاي عصبي بازگشتي است و توانايي حفظ وابستگي‌هاي طولاني‌مدت را دارد، براي پيش‌بيني مقادير آينده AQI براساس مشاهدات گذشته استفاده شد. تهران به عنوان يك منطقه شهري با جمعيت متراكم، با چالش‌هاي قابل توجهي در زمينه آلودگي هوا مواجه است كه اين امر اهميت اين مطالعه به منظور ارزيابي مدل‌هاي پيش‌بيني كيفيت هوا را مشخص كرده است. در اين تحقيق از داده‌هاي ايستگاه‌هاي هواشناسي مهر‌آباد و داده‌هاي ايستگاه پايش كيفيت هوا پونك شهر تهران در طي يك دوره زماني مشخص (1401_1398)استفاده شده است. اين مجموعه داده‌ها شامل پارامترهاي مختلفي از آلاينده‌هاي موجود در هوا (PM2.5، PM10، اكسيدهاي نيتروژن، دي‌اكسيدگوگرد، مونوكسيدكربن و ازن) و پارامترهاي هواشناسي (بارش روزانه، جهت باد حداكثر، حداقل ديد افقي، ميانگين فشار بخار، دماي حداكثر، دماي حداقل، ميانگين سرعت باد، ميانگين دما، ميانگين ابرناكي روزانه و ميانگين رطوبت نسبي) بود. مدلسازي داده ها شامل مراحل پيش‌پردازش داده، آموزش مدل، اعتبارسنجي و ارزيابي انجام شد. سپس مدل LSTMسه لايه كه دو لايه آن به لايه‌هاي پنهان اختصاص يافته بود بر اساس داده‌هاي تاريخي آموزش داده شد و با استفاده از اعتبارسنجي مدل مورد ارزيابي قرارگرفت. اعتبارسنجي و ارزيابي مدل LSTM با استفاده از معيارهاي مختلفي مانند ريشه ميانگين مربعات خطا (RMSE) و ضريب تعيين (R²) براي ارزيابي دقت و قابليت اطمينان آن انجام شد. نتايج نشان داد كه LSTM به طور موثري در پيش‌بيني شاخصAQI يك روز بعد با دقت قابل‌قبول موفق بود (مقدار جذر ميانگين مربعات خطا مقادير پيش‌بيني شده برابر با 178/15 و مقدار R 2 برابر با 742/ ). يافته‌ها نشان داده است كه پارامترهاي هواشناسي نيز در ارتقا مدل‌سازي اين شاخص كارآمد بوده‌اند.

227894

آلودگي‌هاي محيط‌زيست

مهندسي منابع طبيعي

دانشگاه صنعتي اصفهان