Journal of Geomatics Science and Technology

fa مدلسازی غلظت ذرات معلق PM2.5 بر مبنای جانهی داده‌ها و استفاده از روش‌های یادگیری ماشین Modeling spatial-temporal changes in PM2.5 concentration based on data imputation and the use of machine learning methods in different geographical contexts of the Tehran metropolis سامانه های اطلاعات مکانی GIS پژوهشي Research <div style="text-align: justify;">مدلسازی دقیق تغییرات مکانی-زمانی نیازمند روش مناسب و داده‌های کامل و دقیق است. داده‌ها از حسگرهای ایستگاه‌های پایش جمعآوری می‌شوند. تعداد این ایستگاه‌ها محدود است و به دلیل عوامل اجتناب ناپذیر بخشی از داده‌ها از دست می‌روند. نوآوری مقاله حاضر، غلبه بر محدودیت‌های روش‌های موجود در جانهی مقادیر از دست رفته PM2.5 است. محدودیت روش‌های موجود، عدم توجه همزمان به مکانیسم مکانی-زمانی داده‌های از دست‌رفته است. به منظور غلبه بر محدودیت‌های روش‌های موجود، جانهی مقادیر از دست رفته  PM2.5 همراه با در نظر گرفتن روابط بین متغیرها با حفظ تغییر پذیری و عدم قطعیت طبیعی آن‌ها، با استفاده از مدل‌های درخت اضافی و درخت تصمیم پیاده‌سازی گردید. نتایج نشان داد که روش درخت اضافی به دلیل کاهش سوگیری با میانگین 0.80=R2دقت بالاتری از روش درخت تصمیم با میانگین 0.64=R2  در جانهی مقادیر از دست رفته PM2.5دارد. پس از مدیریت داده‌های از دست رفته با استفاده از روش درخت اضافی، از روش XGBoost به دلیل ارزیابی غیرخطی اهمیت متغیرهای موثر با هدف افزیش دقت و کاهش هزینه محاسباتی برای مدلسازی تغییرات مکانی-زمانی آلاینده PM2.5 در بافت‌های مختلف جغرافیایی کلانشهر تهران استفاده گردید. متغیرهای موثر درنظرگرفته شده برای جانهی و مدلسازی شامل داده‌های هواشناسی و سایر آلاینده‌های اصلی نظیر O3،Pm10،Co،So2، No2  است. متغیرهای هواشناسی شامل مجموع بارش، رطوبت نسبی، دما از مدل ECMWF استخراج گردیدند. استفاده از مدل ECMWF علاوه بر افزایش تعداد ایستگاه هواشناسی، امکان استفاده از رزولوشن یک ساعتی با تعداد بسیار ناچیز داده از دست رفته را در مقابل تعداد محدود، رزولوشن سه ساعتی با تعداد زیاد داده از دست‌رفته هواشناسی را فراهم می‌کند. </div> <div>  <div id="ftn1"></div></div> <div style="text-align: justify;">Management of exposure and dealing with the consequences of the concentration of PM2.5 in urban environments requires accurate modeling of spatial-temporal changes of pollutant. Accurate modeling of spatial-temporal changes requires appropriate modeling methods and complete and accurate data. These data are measured by different sensors and with different accuracy, have different variability and due to unavoidable factors such as sensor damage. Missing data cause many problems such as loss of sample size and errors in data analysis; therefore, it is necessary to use solutions to estimate the missing data in modeling the concentration of PM2.5.  In this study, a method based on extra tree and decision tree models has been proposed to imputation the missing values of PM2.5 along with considering the relationships between variables while maintaining their variability and natural uncertainty. Meteorological variables and other main pollutants such as O3, Pm10, Co, So2, No2 were considered as effective variables in imputation the missing values of PM2.5. Meteorological variables including total precipitation, relative humidity, and temperature were extracted from the model of the European Center for medium-term weather forecasting. Using the ECMWF model, in addition to increasing the number of meteorological stations, provides the possibility of using hourly resolution with a very small number of missing data, as opposed to a limited number of three-hour resolutions with a large number of missing meteorological data. The results showed that the extra tree method has a higher accuracy than the decision tree method with an average of R2=0.813 due to the reduction of bias with an average of R2=0.653 in imputation of missing PM2.5 values. After managing the missing data using the extra tree method, the XGBoost method was used due to the non-linear evaluation of the importance of the effective variables with the aim of increasing the accuracy and reducing the computational cost for modeling the spatial-temporal changes of the PM2.5 pollutant in different geographical contexts.  </div> PM2.5, داده‌های از دست رفته, یادگیری ماشین, درخت اضافی, درخت تصمیم, XGBoost. PM2.5, Missing data, Machine learning, Extra tree, Decision tree, XGBoost. 77 89 http://jgst.issgeac.ir/browse.php?a_code=A-10-512-2&slc_lang=fa&sid=1 sara haghbayan سارا حق بیان haghbayansara@yahoo.com 10031947532846009643 10031947532846009643 Yes Faculty of Civil Engineering and Transportation University of Isfahan دانشکده مهندسی عمران و حمل و نقل، دانشگاه اصفهان Behnam Tashayo بهنام تشیع B.Tashayo@eng.ui.ac.ir 10031947532846009644 10031947532846009644 No Faculty of Civil Engineering and Transportation University of Isfahan دانشکده مهندسی عمران و حمل و نقل، دانشگاه اصفهان maryam hosseinii مریم حسینی maryam.hosseinii1977@gmail.com 10031947532846009645 10031947532846009645 No Faculty of Civil Engineering and Transportation University of Isfahan دانشکده مهندسی عمران و حمل و نقل، دانشگاه اصفهان