تخمين مكاني و زماني غلظت PM2.5 با استفاده از داده‌هاي عمق اپتيكي هواويز و هواشناسي بر مبناي الگوريتم‌هاي يادگيري ماشين و بهينه‌سازي (مطالعه موردي: شهر تهران)

امروزه با قرارگيري ايستگاه هاي زميني سنجش آلودگي هواي غلظت PM2.5  در مكان هاي مختلفي از شهر ، ميزان غلظت با دقت بالايي اندازه گيري مي شوند اما ايراد اصلي كه بر اين ايستگاه هاي زميني گرفته مي شود، محدود بودن اين ايستگاه ها و پراكندگي محدود آنهاست در نتيجه امكان برآورد غلظت در يك منطقه وسيع را در اختيار نمي گذارد از اين رو در اين تحقيق از داده هاي MODIS  نظير  عمق اپتيكي هواويز اخذ شده از تصاوير ماهواره اي NASA و همچنين از داده هاي هواشناسي در سال هاي 1396 تا 1399 استفاده شده است .در مطالعه حاضر ما ابتدا از الگوريتم هاي يادگيري ماشين نظير درخت تصميم گيري، رگرسيون خطي چندگانه و پرسپترون چند لايه با استفاده از آموزش داده هاي AOD و هواشناسي استفاده كرديم، نتايج نشان داد كه براي اين داده ها خطاي روش ها به صورت MLP dc mlr بوده درنتيجه بهترين دقت ، روش MLP  بوده است ( RMSE=11.46  و R2=0.67) همچنين براي بهبود دقت از الگوريتم هاي بهينه سازي نظير روش بهينه سازي ازدحام ذرات، الگوريتم ژنتيك و الگوريتم ژنتيك مبتني بر مهاجرت استفاده شده است، الگوريتم هايGA  و الگوريتم MBGA دقت مطلوبي دادند كه الگوريتمMBGA  توانست خطا را بهينه كند مدل برآورد PM2.5 با استفاده از روش MBGA+MLP توانست غلظت PM2.5 را با دقت بالا(RMSE=1.71  و  R2=0.99) برآورد كند. اين تحقيق يك الگوريتم پيشنهادي(MBGAMLP) براي تخمين غلظت ارائه مي دهد كه سازمان هاي دولتي مي توانند در اجراي سياست هاي حفاظت از محيط زيست استفاده كنند.