ارائه یک روش مبتنی بر یادگیری ماشین برای تلفیق محصولات آئروسل سنجنده مادیس جهت بهبود تخمین PM2.5، به عنوان یکی از مهم ترین مخاطرات زیست محیطی در شهر تهران

افزایش بحران های محیط زیست در جهان باعث شده است تا در دهه های اخیر اهمیت مطالعه در مورد مسایل زیست محیطی افزایش یابد. آلودگی هوا در ردیف یکی از زیان بارترین مخاطرات طبیعی قرار گرفته است. ذرات معلق در هوا با قطر کمتر از 2.5 میکرومتر (PM2.5) یکی از خطرناک ترین و مضرترین نوع ذرات در میان آلاینده های مختلف هوا برای سلامتی انسان هستند. یکی از تکنیک های تخمین PM2.5 استفاده از محصولات عمق نوری آیروسل (AOD) است. محصولات مختلف AOD با الگوریتم های متفاوتی بازیابی می شوند که دارای دقت و قدرت تفکیک مکانی یکسانی نمی باشند. به دلیل تفاوت در فرضیات و تقریبات زیادی که در مراحل بازیابی AOD ها اتخاذ می شود، محصولات AOD تولید شده دارای عدم قطعیت هستند. این موضوع، باعث کاهش دقت تخمین غلظت PM2.5 می گردد. هدف این مقاله بررسی امکان تلفیق محصولات AOD حاصل از مشاهدات سنجنده MODIS (بازیابی شده توسط الگوریتم های Deep Blue و Dark Target) به منظور تخمین دقیق تر PM2.5 است. در این مطالعه، نخست با انجام آزمایش بر روی الگوریتم های مختلف یادگیری ماشین و بررسی عملکرد آن ها در تخمین PM2.5 از روی داده های AOD، الگوریتم XGBoost به عنوان الگوریتم پایه در روش تلفیق پیشنهادی انتخاب شد. سپس محصول AOD تلفیقی با استفاده از یک روش وزن دهی مبتنی بر کیفیت بازیابی محصولات اولیه، تولید شد. محصول تلفیقی به همراه داده های هواشناسی و الگوریتم XGBoost برای تخمین PM2.5 مورد استفاده قرار گرفت. نتایج حاصل از تلفیق نشان داد که دقت تخمین PM2.5 محصول تلفیقی در هر سه شاخص RMSE، MAE و  نسبت به حالت هایی که محصولات به صورت منفرد استفاده شدند، بهتر است (0.77= ، 7.00 MAE = ، 9.59 RMSE=). علاوه بر افزایش دقت، روش پیشنهادی ساده و از نظر محاسباتی کم هزینه است. علاوه بر این در این تحقیق مشخص گردید، توجه به نشانگر کیفی بازیابی محصولات AOD، زمینه دستیابی به یک محصول تلفیقی دقیق تر را فراهم خواهد کرد.