پیش بینی مکانی-زمانی غلظت آلاینده ی PM2.5 با استفاده از شبکه های بازگشتی عمیق: مطالعه موردی شهر تهران

در سال های اخیر آلودگی هوا به یکی از چالش های مهم زیست محیطی در شهرهای بزرگ و صنعتی به ویژه شهر تهران تبدیل شده است. غلظت بالای ذرات معلق با قطر کمتر از 2/5 میکرومتر (PM2.5) که به عنوان اصلی ترین عامل آلودگی شهر تهران شناخته شده است، با تاثیرات جبران ناپذیری بر سلامتی انسان همراه است. ارایه مدل مکانی-زمانی با دقت و سرعت بالا برای پیش بینی به عنوان یک روش موثر برای حفاظت از سلامت عمومی در برابر افزایش آلاینده های مضر هوا می باشد. رشد سریع فن آوری های محاسباتی و در دسترس بودن داده های مربوط به کیفیت هوا این فرصت را برای محققان فراهم کرده است تا مدل های پیچیده ای را در چارچوب یادگیری ماشین و یادگیری عمیق برای پیش بینی غلظت آلاینده های مختلف هوا ارایه دهند. در این پژوهش با هدف پیش بینی غلظت PM2.5 در فواصل زمانی مختلف، یک مدل ترکیبی مکانی-زمانی جدید مبتنی بر واحد گیت دار بازگشتی (GRU) با حفظ و استخراج وابستگی های زمانی و مکانی در داده های سری زمانی آلودگی هوا ارایه شده است و عملکرد آن با روش های رگرسیون ماشین بردار پشتیبان (SVR) و حافظه ی بلندمدت ماندگار (LSTM) مقایسه شده است. داده های مورد استفاده در این پژوهش شامل غلظت ساعتی آلاینده ی PM2.5 و پارامترهای هواشناسی ثبت شده به ترتیب توسط 13 ایستگاه سنجش آلودگی و 3 ایستگاه هواشناسی سینوپتیک در شهر تهران در بازه ی زمانی 17 آذر 1395 تا 8 اسفند 1397 می باشد. مدل ارایه شده در این مقاله با شاخص های ارزیابی RMSE = 7.97 μg/m3 و  MAE = 5.35 μg/m3 بهترین نتیجه را برای پیش بینی آلودگی در مقایسه با روش های دیگر کسب کرده است. این مدل می تواند 80 درصد (80 = R2) از تغییرات غلظت PM2.5 را تعیین و سطح آلودگی را پیش بینی کند. همچنین مدل پیشنهادی با استخراج ویژگی های زمانی، پیش بینی هم زمان برای تمام ایستگاه ها و در نظر گرفتن همبستگی های مکانی اثبات کرده است که می تواند برای پیش بینی و کنترل آلودگی هوا به طور موثر به کار گرفته شود.