جستجو در:
دوره 1، شماره 1 - ( 1404 )
جلد 1 شماره 1 صفحات 0-0 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Hashemzadeh M, Borhani F. Hybrid Approach for Refining and Reconstructing Air Pollution Data in Tehran Megacity Using Machine Learning. eesd 2025; 1 (1)
URL: http://https://journals.modares.ac.ir/index.php?sid=35&slc_lang=fa/article-35-80780-fa.html
URL: http://https://journals.modares.ac.ir/index.php?sid=35&slc_lang=fa/article-35-80780-fa.html
هاشم زاده محمد، برهانی فائزه. رویکرد ترکیبی جهت پالایش و بازسازی دادههای آلایندگی هوا در کلان‌شهر تهران با استفاده از یادگیری ماشین. مهندسی محیط زیست و توسعه پایدار. 1404; 1 (1)
URL: http://https://journals.modares.ac.ir/index.php?sid=35&slc_lang=fa/article-35-80780-fa.html
1- دانشجوی دکتری، گروه مهندسی محیط زیست، دانشکده مهندسی عمران و محیط‌زیست، دانشگاه تربیت مدرس، تهران، ایران
2- استادیار، گروه مهندسی محیط زیست، دانشکده مهندسی عمران و محیط‌زیست، دانشگاه تربیت مدرس، تهران، ایران ،f.borhani@modares.ac.ir
2- استادیار، گروه مهندسی محیط زیست، دانشکده مهندسی عمران و محیط‌زیست، دانشگاه تربیت مدرس، تهران، ایران ،
چکیده: (97 مشاهده)
آلودگی هوا از معضلات اصلی کلانشهرهاست و مدیریت آن به دادههای باکیفیت وابسته است. در کشورهای در حال توسعه مانند ایران، دسترسی به دادههای زمینی باکیفیت چالش‌برانگیز است. دادههای ماهواره‌ای می‌توانند راه‌حل مناسبی باشند، اما وجود دادههای ناقص و پرت از چالش‌های اصلی آن‌هاست. این مطالعه با هدف رفع چالش دادههای ناقص آلودگی هوای تهران، از رویکرد ترکیبی برای پالایش و بازسازی داده‌ها استفاده می‌کند. داده‌ها مورد استفاده شامل آلاینده‌ها NO 2 
، CO 
و O 3 
از سنجنده Sentinel-5p و متغیرهای هواشناسی ERA5-land در بازه دسامبر ۲۰۱۸ تا مارس ۲۰۲۵ است. نتایج حاکی از فراوانی دادههای ناقص آلاینده‌ها در دسامبر به دلیل شرایط جوی است که CO NO 2 NO 2 O 3 CO NO 2 O 3
، و از سنجنده Sentinel-5p و متغیرهای هواشناسی ERA5-land در بازه دسامبر ۲۰۱۸ تا مارس ۲۰۲۵ است. نتایج حاکی از فراوانی دادههای ناقص آلاینده‌ها در دسامبر به دلیل شرایط جوی است که بیشترین نقص را داراست. در ادامه برای یافتن دادههای پرت از یک فرآیند دو مرحله‌ای شامل Robust Z-score تک بعدی و Isolation Forest (IF) چندبعدی استفاده شد. تحلیل داده‌ها نشان داد که ماه‌های سرد سال بیشترین تعداد دادههای پرت برای آلاینده‌ها را دارا بوده و بیشترین تعداد را نسبت به سایر آلاینده‌ها به خود اختصاص داد. برای بازسازی مقادیر گمشده از الگوریتم LightGBM استفاده شد که نتایح ضریب تعیین (r²) به ترتیب 61/0، 50/0 و 38/0 برای ، و به دست آمد. با توجه به محدودیت دادههای مورد استفاده و عدم استفاده از الگوریتم‌های پیچیده زمانی-مکانی در قیاس با مطالعات پیشین، نتایج بدست آمده به خصوص برای آلاینده‌های و قابل قبول ارزیابی می‌شود. نتایج این پژوهش ظرفیت تلفیق دادههای ماهواره‌ای و هواشناسی با یادگیری ماشین برای بهبود پایش کیفیت هوا در محیط‌های شهری با کمبودِ داده را به نمایش گذاشت.
نوع مقاله: پژوهشی اصیل |
موضوع مقاله:
آلودگی هوا
دریافت: 1404/2/19 | پذیرش: 1404/3/10 | انتشار: 1404/3/10
دریافت: 1404/2/19 | پذیرش: 1404/3/10 | انتشار: 1404/3/10
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |