نوع مقاله : علمی - پژوهشی

نویسندگان

1 استادیار سنجش از دور، گروه مهندسی نقشه برداری، دانشکده عمران و حمل و نقل، دانشگاه اصفهان

2 کارشناسی ارشد، مهندسی نقشه برداری-گرایش سنجش از دور، دانشکده عمران و حمل و نقل، دانشگاه اصفهان

3 استادیار گروه مهندسی نقشه برداری، دانشکده عمران و حمل و نقل، دانشگاه اصفهان

10.52547/gisj.2022.227850.1102

چکیده

ازن نزدیک به سطح زمین یکی از آلاینده‌های بسیار خطرناک است که اثرات زیانبار قابل توجهی برای ساکنین مناطق شهری دارد. هدف از این مطالعه شناسایی عوامل موثر بر غلظت ازن و مدلسازی تغییرات آن با استفاده از داده‌های ماهواره‌ای و روش‌های مختلف یادگیری‌ماشین در شهر تهران می‌باشد. بدین منظور داده‌های غلظت آلاینده‌ها، داده‌های هواشناسی و دمای‌سطح‌خاک برای بازه‌زمانی بین سال‌های 2015 تا 2021 مورد استفاده ‌‌قرار‌گرفت. پس از محاسبه همبستگی بین غلظت ازن و پارامتر‌های مستقل، طی پنج حالت مختلف، با پارامترهای ورودی و روش یادگیری متفاوت و بکارگیری پالایش داده‌‌ها، مدلسازی غلظت ازن انجام پذیرفت. در حالت اول و دوم، مدلسازی با استفاده از داده‌های غلظت آلاینده‌ها و داده‌های هواشناسی با روش رگرسیون خطی چند متغیره انجام شد. تنها تفاوت این دو حالت، پالایش داده‌های ورودی به روش WTEST در روش دوم می باشد. در حالت سوم، دمای‌سطح‌خاک به داده‌های ورودی افزوده شد و در حالت چهارم و پنجم به ترتیب مدلسازی ازن با استفاده از شبکه عصبی چند لایه‌ای و شبکه عصبی بازگشتی صورت گرفت. مقایسه این حالت‌ها نشان داد که مدلسازی‌های مراحل اول تا پنجم به ترتیب با ضریب تعیین تعدیل شده 0.5 ،0.64 ،0.69 ،0.74 و 0.8 توانایی بازیابی غلظت ازن را داشته‌اند. همچنین مشخص شد که در بین آلاینده‌های مختلف، نیتروژن‌مونوکسید ، نیتروژن‌دی‌اکسید ، نیتراکس و در بین داده‌های هواشناسی دما، رطوبت و سرعت باد بیشترین تاثیر را بر روی غلظت ازن دارند. هم چنین اضافه نمودن دمای‌سطح‌خاک به داده‌های ورودی، افزایش 5 درصدی دقت را در برآورد غلظت ازن به همراه داشت.

کلیدواژه‌ها

عنوان مقاله [English]

Improving the accuracy of ground surface ozone concentration estimation using satellite products and machine learning

نویسندگان [English]

  • Mina Moradizadeh 1
  • Rasoul Atashi Deligani 2
  • Behnam Tashayo 3

1 Department of Geomatics, Faculty of Civil and Transportation Engineering, University of Isfahan, Isfahan, Iran

2 Department of Geomatics, Faculty of Civil and Transportation Engineering, University of Isfahan. Isfahan. Iran.

3 Department of Geomatics, Faculty of Civil and Transportation Engineering, University of Isfahan, Isfahan, Iran

چکیده [English]

Ground surface ozone is one of the most dangerous pollutants that has significant harmful effects on the residents of urban areas. The purpose of this study is to identify the factors affecting ozone concentration and modeling its changes using satellite data and different machine learning methods in Tehran. For this purpose, pollutant concentration and meteorological data were used along with the satellite product of land surface temperature (LST) in the period from 2015 to 2021. After calculating the correlation between ozone concentration and independent parameters, ozone concentration modeling was done in five different modes in terms of input parameters and learning method and applying data refinement. In the first and second mode, modeling was done using pollutant concentration and meteorological data through multivariate linear regression method. The only difference between these two modes is the filtering of the input data using the WTEST method in the second mode. In the third mode, the LST product was added to the input data, and in the fourth and fifth mode, ozone modeling was done using multilayer neural network and recurrent neural network, respectively. The comparison of the five modes showed that the modeling of the first to fifth stages with adjusted coefficient of determination of 0.5, 0.64, 0.69, 0.74 and 0.8 were able to recover the ozone concentration, respectively. It was also found that among different pollutants, nitrogen monoxide, nitrogen dioxide and nitrox have the greatest impact on ozone concentration, just as temperature, humidity and wind speed are the most influential among meteorological data. Although the use of WTEST statistics led to the identification and elimination of inconsistencies and errors in the observations of pollution measurement stations, the neural network learning method showed better performance in modeling than multivariate regression due to its less sensitivity to noise. As a notable result, adding the LST product to the input data brought a 5% increase in accuracy in estimating ozone concentration.

کلیدواژه‌ها [English]

  • Ozone concentration
  • Machine learning
  • Multivariate linear regression
  • Recurrent neural network
  • Atmospheric pollutant