استفاده از الگوريتم­ هاي يادگيري مولد عميق به منظور تخمين غلظت ذرات معلق در شهر تهران

Using deep generative models to estimate PM2.5 concentration from satellite AOD data collected from Tehran, Iran

در دهه‌هاي اخير، سطح غلظت ذرات معلق در كلان‌شهر تهران افزايش‌­يافته است كه اين امر، مخاطرات فراواني را براي محيط‌زيست و سلامت شهروندان به همراه داشته است. يكي از خطرناك‌ترين نوع آلودگي‌ها، آلودگي ذرات معلق كمتر از 2.5 ميكرون (PM2.5) هست كه مدل‌سازي، پايش و پيش‌بيني آن‌ را بسيار حياتي مي‌نمايد. برآورد غلظت اين ذرات در سطح شهر تهران به‌دليل وجود منابع گوناگون آلودگي و كمبود ايستگاه‌هاي هواشناسي و عدم توزيع مناسب ا‌يستگاه‌ها موضوعي چالش‌برانگيز است. يكي از منابع جايگزين، استفاده از داده‌هاي به‌دست‌آمده از طريق تصاوير ماهواره‌اي شامل داده‌هاي ايروسل با توان­ تفكيك مكاني بالاست. بااين‌حال تخمين مقادير آلودگي سطحي از روي داده‌هاي ايروسل ماهواره‌اي به‌سادگي امكان­‌پذير نيست و نيازمند توسعه مدل‌هاي مناسب نظير مدل‌هاي داده مبنا و استفاده از تكنيك‌هاي يادگيري ماشيني مي‌باشد. در اين راستا هدف اين مقاله ايجاد يك مدل به‌منظور تخمين ميزان غلظت ذرات معلق در سطح شهر تهران با استفاده از داده‌هاي حاصل از مدل‌هاي هواشناسي و داده‌هاي ايروسل به‌دست‌آمده از تصاوير ماهواره‌اي موديس به كمك الگوريتم‌هاي يادگيري عميق مولد هست. براي اين منظور سه نوع شبكه يادگيري عميق بر مبناي مدل‌هاي مولد يعني شبكه خود رمزنگار عميق، شبكه باور عميق بولتزمن و شبكه مولد تخاصمي شرطي براي تخمين غلظت PM2.5 با استفاده از داده‌هاي زميني و ماهواره‌اي جمع‌آوري‌شده، توسعه داده شد. سپس ارزيابي دقت مدل‌هاي ايجادشده توسط شبكه‌هاي مذكور بر روي ‌داده‌هاي تست انجام شد و عملكرد آن‌ها مورد بررسي و مقايسه قرار گرفت. ارزيابي دقت نشان داد كه شبكه‌ خود رمزنگار تركيب‌شده با مدل‌ بردار پشتيبان مبنا با همبستگي0.69 و دقت (RMSE) 10.34 ميكروگرم بر مترمكعب بالاترين كارايي را در مقايسه با ساير مدل‌ها به‌دست مي‌دهد كه مي‌تواند به‌منظور مدل‌سازي ميزان غلظت ذرات در سطح شهر تهران مورد استفاده قرار گيرد.

The concentration of particulate matters has recently increased in the metropolitan area of Tehran resulting in many severe hazards for both the environment and citizens. Particulate matters (PM) with a diameter less than 2.5 microns (PM2.5) are considered to be one of the most dangerous types of pollution. Estimating the concentration of these particles in Tehran is challenging due to the existence of various sources of pollution and the lack of sufficient ground stations. Aerosol optical depth (AOD) data retrieved from satellite imagery can be an alternative. However, AOD are not easily convertible into surface pollution and requires the development of appropriate models such as those based on data-driven approaches and machine learning techniques. Thus, the present study seeks to create a model to estimate the concentration of PM2.5 in Tehran employing deep generative models and in-situ measurements, meteorological data, and AOD data extracted from MODIS satellite imagery. Reviewed literature has proved the ability of deep learning techniques to solve regression and classification problems. Deep learning techniques are divided into various categories, one of which is based on the generative models seeking to reconstruct the input features. In this way, high-level and efficient features can be employed to explore the relationship between PM2.5 and AOD. Thus, the present study has investigated the potential of deep generative models for estimating PM2.5 concentration from high resolution AOD data retrieved from satellite imagery.