توصيفگر ها :
شاخص كيفيت هوا , آلودگي هوا , شهر تهران , يادگيري ماشين , پيش‌بيني
چكيده فارسي :
پيش‌بيني و نظارت بر كيفيت هوا به عنوان يك بخش مهم مديريت شهري به دليل آثار عميق آن بر سلامت عمومي و پايداري محيطي، اهميت زيادي پيدا كرده است. در اين مطالعه، كاربرد شبكه‌هاي عصبي حافظه كوتاه-مدت طولاني (LSTM) در پيش‌بيني شاخص كيفيت هوا (AQI) در شهر تهران مورد بررسي قرار گرفت. مدلLSTM كه يك نوع از شبكه‌هاي عصبي بازگشتي است و توانايي حفظ وابستگي‌هاي طولاني‌مدت را دارد، براي پيش‌بيني مقادير آينده AQI براساس مشاهدات گذشته استفاده شد. تهران به عنوان يك منطقه شهري با جمعيت متراكم، با چالش‌هاي قابل توجهي در زمينه آلودگي هوا مواجه است كه اين امر اهميت اين مطالعه به منظور ارزيابي مدل‌هاي پيش‌بيني كيفيت هوا را مشخص كرده است. در اين تحقيق از داده‌هاي ايستگاه‌هاي هواشناسي مهر‌آباد و داده‌هاي ايستگاه پايش كيفيت هوا پونك شهر تهران در طي يك دوره زماني مشخص (1401_1398)استفاده شده است. اين مجموعه داده‌ها شامل پارامترهاي مختلفي از آلاينده‌هاي موجود در هوا (PM2.5، PM10، اكسيدهاي نيتروژن، دي‌اكسيدگوگرد، مونوكسيدكربن و ازن) و پارامترهاي هواشناسي (بارش روزانه، جهت باد حداكثر، حداقل ديد افقي، ميانگين فشار بخار، دماي حداكثر، دماي حداقل، ميانگين سرعت باد، ميانگين دما، ميانگين ابرناكي روزانه و ميانگين رطوبت نسبي) بود. مدلسازي داده ها شامل مراحل پيش‌پردازش داده، آموزش مدل، اعتبارسنجي و ارزيابي انجام شد. سپس مدل LSTMسه لايه كه دو لايه آن به لايه‌هاي پنهان اختصاص يافته بود بر اساس داده‌هاي تاريخي آموزش داده شد و با استفاده از اعتبارسنجي مدل مورد ارزيابي قرارگرفت. اعتبارسنجي و ارزيابي مدل LSTM با استفاده از معيارهاي مختلفي مانند ريشه ميانگين مربعات خطا (RMSE) و ضريب تعيين (R²) براي ارزيابي دقت و قابليت اطمينان آن انجام شد. نتايج نشان داد كه LSTM به طور موثري در پيش‌بيني شاخصAQI يك روز بعد با دقت قابل‌قبول موفق بود (مقدار جذر ميانگين مربعات خطا مقادير پيش‌بيني شده برابر با 178/15 و مقدار R 2 برابر با 742/ ). يافته‌ها نشان داده است كه پارامترهاي هواشناسي نيز در ارتقا مدلسازي اين شاخص كارآمد بوده‌اند.
چكيده انگليسي :
Prediction and monitoring of air quality have gained significant importance as an integral part of urban management due to its profound effects on public health and environmental sustainability. In this study, the application of Long Short-Term Memory (LSTM) neural networks in predicting the Air Quality Index (AQI) in Tehran city was investigated. The LSTM model, a type of recurrent neural network capable of retaining long-term dependencies, was utilized to forecast future AQI values based on past observations. Tehran, as a densely populated urban area, faces considerable challenges regarding air pollution, underscoring the significance of this study in evaluating air quality prediction models.The study employed air quality and meteorological data collected from the Mehrabad meteorological station and the Tehran pollution monitoring station over a specific time period (2020-2023). This dataset included various parameters of air pollutants (PM2.5, PM10, nitrogen oxides, sulfur dioxide, carbon monoxide, and ozone) and meteorological parameters (daily precipitation, maximum wind direction, minimum horizontal visibility, average vapor pressure, maximum temperature, minimum temperature, average wind speed, average temperature, daily average cloud cover, average cloudiness, and average relative humidity).Data modeling encompassed preprocessing stages, model training, validation, and evaluation. Subsequently, a three-layer LSTM model, with two layers allocated to hidden layers, was trained on historical data, and parameter optimization was performed using cross-validation. Validation and evaluation of the LSTM model were conducted using various metrics such as Root Mean Square Error (RMSE) and Coefficient of Determination (R²) to assess its accuracy and reliability.The results demonstrated that LSTM effectively predicted the AQI index for the next day with acceptable accuracy (RMSE value of predicted values equals 15.178 and R² value equals 0.742). The findings indicate that this model also played a significant role in predicting pollutants affecting air quality index, and meteorological parameters are also effective in enhancing the efficiency of modeling this index.
