Journal of Geomatics Science and Technology

fa تخمین مکانی و زمانی غلظت PM2.5 با استفاده از داده‌های عمق اپتیکی هواویز و هواشناسی بر مبنای الگوریتم‌های یادگیری ماشین و بهینه‌سازی (مطالعه موردی: شهر تهران) Spatiotemporal Estimation of PM2.5 Concentration Using Remotely Sensed Data, Machine Learning, and Optimization Algorithms سامانه های اطلاعات مکانی GIS پژوهشي Research <div style="text-align: justify;">امروزه با قرارگیری ایستگاههای زمینی سنجش آلودگی هوای غلظت PM2.5  در مکانهای مختلفی از شهر ، میزان غلظت با دقت بالایی اندازهگیری میشوند اما ایراد اصلی که بر این ایستگاههای زمینی گرفته میشود، محدود بودن این ایستگاهها و پراکندگی محدود آنهاست در نتیجه امکان برآورد غلظت در یک منطقه وسیع را در اختیار نمیگذارد از این رو در این تحقیق از دادههای MODIS  نظیر  عمق اپتیکی هواویز اخذ شده از تصاویر ماهوارهای NASA و همچنین از دادههای هواشناسی در سالهای 1396 تا 1399 استفاده شده است .در مطالعه حاضر ما ابتدا از الگوریتمهای یادگیری ماشین نظیر درخت تصمیمگیری، رگرسیون خطی چندگانه و پرسپترون چند لایه با استفاده از آموزش داده های AOD و هواشناسی استفاده کردیم، نتایج نشان داد که برای این دادهها خطای روشها به صورت MLP<dc<mlr بوده درنتیجه بهترین دقت ، روش MLP  بوده است ( RMSE=11.46  و R2=0.67) همچنین برای بهبود دقت از الگوریتمهای بهینه سازی نظیر روش بهینه سازی ازدحام ذرات، الگوریتم ژنتیک و الگوریتم ژنتیک مبتنی بر مهاجرت استفاده شده است، الگوریتم هایGA  و الگوریتم MBGA دقت مطلوبی دادند که الگوریتمMBGA  توانست خطا را بهینه کند مدل برآورد PM2.5 با استفاده از روش MBGA+MLP توانست غلظت PM2.5 را با دقت بالا(RMSE=1.71  و  R2=0.99) برآورد کند. این تحقیق یک الگوریتم پیشنهادی(MBGAMLP) برای تخمین غلظت ارائه میدهد که سازمانهای دولتی میتوانند در اجرای سیاستهای حفاظت از محیط زیست استفاده کنند.</dc<mlr</div> PM 2.5 (particles <2.5 μm in aerodynamic diameter) can be measured by ground station data in urban areas, but the number of these stations and their geographical coverage is limited. Therefore, these data are not adequate for calculating concentrations of Pm2.5 over a large urban area. This study aims to use Aerosol Optical Depth (AOD) satellite images and meteorological data from 2014 to 2017 for spatial distribution simulation of PM 2.5 concentrations over the mega-city of Tehran. The Multilayer Perceptron (MLP), Multiple Linear Regression (MLR), and Decision Tree (DT) models were used to estimate the concentrations of PM 2.5. The results showed that MLP with a root mean square error (RMSE) of 11.46 and R2 coefficient of 0.67 outperformed the MLR and DT models. However, the best model had low prediction accuracy. So, three optimization algorithms, namely, particle swarm optimization (PSO), Genetic Algorithm (GA), and Migration-Based Genetic Algorithm (MBGA) were used to improve the accuracy of the models. The use of GA and MBGA algorithms improved the accuracy of the models significantly and led to the RMSE of 1.71 and R2 of 0.99 for the hybrid model of MBGA-MLP. The proposed hybrid models in this paper can be used to estimate the PM2.5 concentrations.   آلودگی هوا, تهران, الگوریتم ژنتیک مبتنی بر مهاجرت ,AOD , PM2.5 Air Pollution, Aerosol Optical Depth, Multilayer Perceptron, Migration-Based Genetic Algorithm, PM 2.5, Tehran. 136 151 http://jgst.issgeac.ir/browse.php?a_code=A-10-704-7&slc_lang=fa&sid=1 Amin Gholami امین غلامی amingholami328@gmail.com 10031947532846009549 10031947532846009549 No Tehran University of Techinology دانشگاه تهران Yasser Ebrahimian Ghajari یاسر ابراهیمیان قاجاری y.ebrahimian@nit.ac.ir 10031947532846009550 10031947532846009550 Yes Babol Noshirvani University of Technology دانشگاه صنعتی نوشیروانی بابل