فراکاوی و مرور سیستماتیک ادغام داده‌های عمق نوری آئروسل برگرفته از ماهواره با یادگیری ماشین در برآورد غلظت ذرات معلق ریز (PM2.5)
قرار گرفتن در معرض ذرات ریز (PM2.5) آلاینده هوا، به ویژه در مناطقی که میانگین سالانه آن از دستورالعمل‌های سازمان بهداشت جهانی فراتر است، به طور قابل توجهی بر سلامت عمومی تأثیر می‌گذارد. در ایران، افزایش سطح مواجهه با PM2.5، به میزان قابل توجهی بر مرگ و میر در‌میان بزرگسالان نقش داشته است. محدودیت‌ها...
Saved in:
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Ferdowsi University of Mashhad
2025-03-01
|
| Series: | جغرافیا و مخاطرات محیطی |
| Subjects: | |
| Online Access: | https://geoeh.um.ac.ir/article_46139_7f6fe2cea920f6efa982e40e5acaceb1.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1849332394098688000 |
|---|---|
| author | رسول طاهریان اصفهانی مهدی قنبرزاده لک |
| author_facet | رسول طاهریان اصفهانی مهدی قنبرزاده لک |
| author_sort | رسول طاهریان اصفهانی |
| collection | DOAJ |
| description | قرار گرفتن در معرض ذرات ریز (PM2.5) آلاینده هوا، به ویژه در مناطقی که میانگین سالانه آن از دستورالعمل‌های سازمان بهداشت جهانی فراتر است، به طور قابل توجهی بر سلامت عمومی تأثیر می‌گذارد. در ایران، افزایش سطح مواجهه با PM2.5، به میزان قابل توجهی بر مرگ و میر در‌میان بزرگسالان نقش داشته است. محدودیت‌های پوشش مکانی و شکاف مقطعی داده‌های ایستگاه‌های پایش زمینی، چالش‌هایی را در مدیریت مؤثر کیفیت هوا ایجاد نموده است. محصولات فناوری‌های سنجش از دور، مانند عمق‌نوری‌آئروسل (AOD) برگرفته از حسگرهای MODIS، جایگزین امیدوارکننده‌ای در برآورد PM2.5 به شمار می‌روند. در مقاله حاضر، تحقیقات پیشین درزمینه استفاده از الگوریتم‌های یادگیری ماشین در برآورد غلظت PM2.5 بر اساس داده‌های AOD، مرور شده‌است. تجزیه و تحلیل ساختاری 127 مطالعه انتخاب شده، همبستگی‌های متفاوتی را بین AOD و PM2.5 نشان داد (R2 در محدوده 48 تا 99%)، که می‌تواند با بهره‌گیری از متغیرهای کمکی نظیر شرایط هواشناسی و عوامل محیطی، بهبود یابد. اگرچه ادغام این متغیرها، دقت برآورد را افزایش می‌دهد، ولی در عین حال، پیچیدگی و خطاهای بالقوه را در مدل‌های یادگیری‌ماشین افزایش خواهد داد. مدل‌های یادگیری ماشین ترکیبی عملکرد بهتری را در مقایسه با الگوریتم‌های فردی نشان می‌دهند، چراکه قابلیت انطباق، پردازش موازی و مدیریت داده‌های ازدست رفته را دارند. علی‌رغم پیشرفت‌های اخیر، هنوز چالش‌هایی به دلیل عدم قطعیت داده‌ها و دینامیک بودن پدیده‌های هواشناسی، باقی مانده‌اند. الگوریتم‌های یادگیری ماشین، اگرچه ابزاری قوی در برآورد PM2.5 بر اساس شاخص AOD ارائه می‌دهد، لیکن تحقیقات آتی در راستای رفع محدودیت‌ها و بهینه‌سازی عملکرد مدل متناسب با تغییرات محیطی، ضروری است. |
| format | Article |
| id | doaj-art-a9bf68c76fc840bc8beeb4dca85cdc2d |
| institution | Kabale University |
| issn | 2322-1682 2383-3076 |
| language | English |
| publishDate | 2025-03-01 |
| publisher | Ferdowsi University of Mashhad |
| record_format | Article |
| series | جغرافیا و مخاطرات محیطی |
| spelling | doaj-art-a9bf68c76fc840bc8beeb4dca85cdc2d2025-08-20T03:46:12ZengFerdowsi University of Mashhadجغرافیا و مخاطرات محیطی2322-16822383-30762025-03-0114115118610.22067/geoeh.2024.88696.149746139فراکاوی و مرور سیستماتیک ادغام داده‌های عمق نوری آئروسل برگرفته از ماهواره با یادگیری ماشین در برآورد غلظت ذرات معلق ریز (PM2.5)رسول طاهریان اصفهانی0مهدی قنبرزاده لک1گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه ارومیه، ارومیه، ایرانگروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه ارومیه، ارومیه، ایرانقرار گرفتن در معرض ذرات ریز (PM2.5) آلاینده هوا، به ویژه در مناطقی که میانگین سالانه آن از دستورالعمل‌های سازمان بهداشت جهانی فراتر است، به طور قابل توجهی بر سلامت عمومی تأثیر می‌گذارد. در ایران، افزایش سطح مواجهه با PM2.5، به میزان قابل توجهی بر مرگ و میر در‌میان بزرگسالان نقش داشته است. محدودیت‌های پوشش مکانی و شکاف مقطعی داده‌های ایستگاه‌های پایش زمینی، چالش‌هایی را در مدیریت مؤثر کیفیت هوا ایجاد نموده است. محصولات فناوری‌های سنجش از دور، مانند عمق‌نوری‌آئروسل (AOD) برگرفته از حسگرهای MODIS، جایگزین امیدوارکننده‌ای در برآورد PM2.5 به شمار می‌روند. در مقاله حاضر، تحقیقات پیشین درزمینه استفاده از الگوریتم‌های یادگیری ماشین در برآورد غلظت PM2.5 بر اساس داده‌های AOD، مرور شده‌است. تجزیه و تحلیل ساختاری 127 مطالعه انتخاب شده، همبستگی‌های متفاوتی را بین AOD و PM2.5 نشان داد (R2 در محدوده 48 تا 99%)، که می‌تواند با بهره‌گیری از متغیرهای کمکی نظیر شرایط هواشناسی و عوامل محیطی، بهبود یابد. اگرچه ادغام این متغیرها، دقت برآورد را افزایش می‌دهد، ولی در عین حال، پیچیدگی و خطاهای بالقوه را در مدل‌های یادگیری‌ماشین افزایش خواهد داد. مدل‌های یادگیری ماشین ترکیبی عملکرد بهتری را در مقایسه با الگوریتم‌های فردی نشان می‌دهند، چراکه قابلیت انطباق، پردازش موازی و مدیریت داده‌های ازدست رفته را دارند. علی‌رغم پیشرفت‌های اخیر، هنوز چالش‌هایی به دلیل عدم قطعیت داده‌ها و دینامیک بودن پدیده‌های هواشناسی، باقی مانده‌اند. الگوریتم‌های یادگیری ماشین، اگرچه ابزاری قوی در برآورد PM2.5 بر اساس شاخص AOD ارائه می‌دهد، لیکن تحقیقات آتی در راستای رفع محدودیت‌ها و بهینه‌سازی عملکرد مدل متناسب با تغییرات محیطی، ضروری است.https://geoeh.um.ac.ir/article_46139_7f6fe2cea920f6efa982e40e5acaceb1.pdfذرات pm2.5عمق نوری آئروسل (aod)یادگیری ماشینسنجنده modisیادگیری گروهیمدل‌های ترکیبیمرور سیستماتیکتأثیر بر سلامت عمومی |
| spellingShingle | رسول طاهریان اصفهانی مهدی قنبرزاده لک فراکاوی و مرور سیستماتیک ادغام داده‌های عمق نوری آئروسل برگرفته از ماهواره با یادگیری ماشین در برآورد غلظت ذرات معلق ریز (PM2.5) جغرافیا و مخاطرات محیطی ذرات pm2.5 عمق نوری آئروسل (aod) یادگیری ماشین سنجنده modis یادگیری گروهی مدل‌های ترکیبی مرور سیستماتیک تأثیر بر سلامت عمومی |
| title | فراکاوی و مرور سیستماتیک ادغام داده‌های عمق نوری آئروسل برگرفته از ماهواره با یادگیری ماشین در برآورد غلظت ذرات معلق ریز (PM2.5) |
| title_full | فراکاوی و مرور سیستماتیک ادغام داده‌های عمق نوری آئروسل برگرفته از ماهواره با یادگیری ماشین در برآورد غلظت ذرات معلق ریز (PM2.5) |
| title_fullStr | فراکاوی و مرور سیستماتیک ادغام داده‌های عمق نوری آئروسل برگرفته از ماهواره با یادگیری ماشین در برآورد غلظت ذرات معلق ریز (PM2.5) |
| title_full_unstemmed | فراکاوی و مرور سیستماتیک ادغام داده‌های عمق نوری آئروسل برگرفته از ماهواره با یادگیری ماشین در برآورد غلظت ذرات معلق ریز (PM2.5) |
| title_short | فراکاوی و مرور سیستماتیک ادغام داده‌های عمق نوری آئروسل برگرفته از ماهواره با یادگیری ماشین در برآورد غلظت ذرات معلق ریز (PM2.5) |
| title_sort | فراکاوی و مرور سیستماتیک ادغام داده‌های عمق نوری آئروسل برگرفته از ماهواره با یادگیری ماشین در برآورد غلظت ذرات معلق ریز pm2 5 |
| topic | ذرات pm2.5 عمق نوری آئروسل (aod) یادگیری ماشین سنجنده modis یادگیری گروهی مدل‌های ترکیبی مرور سیستماتیک تأثیر بر سلامت عمومی |
| url | https://geoeh.um.ac.ir/article_46139_7f6fe2cea920f6efa982e40e5acaceb1.pdf |
| work_keys_str_mv | AT rswlṭạhryạnạṣfhạny frạḵạwywmrwrsystmạtyḵạdgẖạmdạdhhạyʿmqnwryậỷrwslbrgrfthạzmạhwạrhbạyạdgyrymạsẖyndrbrậwrdgẖlẓtdẖrạtmʿlqryzpm25 AT mhdyqnbrzạdhlḵ frạḵạwywmrwrsystmạtyḵạdgẖạmdạdhhạyʿmqnwryậỷrwslbrgrfthạzmạhwạrhbạyạdgyrymạsẖyndrbrậwrdgẖlẓtdẖrạtmʿlqryzpm25 |