ارائه يك روش مبتني بر يادگيري ماشين براي تلفيق محصولات آئروسل سنجندۀ ماديس جهت بهبود تخمين PM2.5، به‌عنوان يكي از مهم‌ترين مخاطرات زيست‌محيطي در شهر تهران

افزايش بحران‌هاي محيط‌زيست در جهان باعث شده است تا در دهه‌هاي اخير اهميت مطالعه در مورد مسائل زيست‌محيطي افزايش يابد. آلودگي هوا در رديف يكي از زيان‌بارترين مخاطرات طبيعي قرار گرفته است. ذرات معلق در هوا با قطر كمتر از 2.5 ميكرومتر (PM2.5) يكي از خطرناك‌ترين و مضرترين نوع ذرات در ميان آلاينده‌هاي مختلف هوا براي سلامتي انسان هستند. يكي از تكنيك‌هاي تخمين PM2.5 استفاده از محصولات عمق نوري آئروسل (AOD) است. محصولات مختلف AOD با الگوريتم‌هاي متفاوتي بازيابي مي‌شوند كه داراي دقت و قدرت تفكيك مكاني يكساني نمي‌باشند. به دليل تفاوت در فرضيات و تقريبات زيادي كه در مراحل بازيابي AOD ها اتخاذ مي‌شود، محصولات AOD توليد شده داراي عدم قطعيت هستند. اين موضوع، باعث كاهش دقت تخمين غلظت PM2.5 مي‌گردد. هدف اين مقاله بررسي امكان تلفيق محصولات AOD حاصل از مشاهدات سنجندۀ MODIS (بازيابي شده توسط الگوريتم‌هاي Deep Blue و Dark Target) به‌منظور تخمين دقيق‌تر PM2.5 است. در اين مطالعه، نخست با انجام آزمايش بر روي الگوريتم‌هاي مختلف يادگيري ماشين و بررسي عملكرد آن‌ها در تخمين PM2.5 از روي‌داده‌هاي AOD، الگوريتم XGBoost به‌عنوان الگوريتم پايه در روش‌ تلفيق پيشنهادي انتخاب شد. سپس محصول AOD تلفيقي با استفاده از يك روش وزن‌دهي مبتني بر كيفيت بازيابي محصولات اوليه، توليد شد. محصول تلفيقي به همراه داده‌هاي هواشناسي و الگوريتم XGBoost براي تخمين PM2.5 مورد استفاده قرار گرفت. نتايج حاصل از تلفيق نشان داد كه دقت تخمين PM2.5 محصول تلفيقي در هر سه شاخص RMSE، MAE و  نسبت به حالت‌هايي كه محصولات به‌صورت منفرد استفاده شدند، بهتر است (0.77= ، 7.00 MAE = ، 9.59 RMSE=). علاوه بر افزايش دقت، روش پيشنهادي ساده و از نظر محاسباتي كم‌هزينه است. علاوه بر اين در اين تحقيق مشخص گرديد، توجه به نشانگر كيفي بازيابي محصولات AOD، زمينۀ دستيابي به يك محصول تلفيقي دقيق‌تر را فراهم خواهد كرد.