تخمین غلظت آلاینده‌های PM2.5 و PM10 هوا با استفاده از داده‌های ماهواره‌ای سنجنده مودیس، شبکه عصبی عمیق و جنگل تصادفی

نوع مقاله : مقاله پژوهشی

نویسنده

گروه مخابرات، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس، تهران، ایران

چکیده

در حالی که بسیاری از مطالعات پیرامون تخمین غلظت آلاینده‌های هوا از جمله ذرات معلق PM2.5 و PM10 از محصولات عمق نوری هواویزهای(AOD) سنجنده‌های ماهواره‌ای استفاده می‌کنند، استفاده از این محصولات به دلیل قدرت تفکیک مکانی پایین برای تهیه نقشه آلودگی شهرهای با وسعت مکانی کم از جمله شهر تهران کارا نیست. جهت حل این موضوع، در این مطالعه مستقیما از خود محصولات سطح 1 سنجنده مودیس (و نه محصولات هواویز و آئروسل) آن استفاده شده است. روش پیشنهادی از یک شبکه عصبی عمیق و یک مدل جنگل تصادفی برای تخمین مقادیر غلظت آلاینده‌ها با استفاده از اطلاعات دو باند اول و دوم ماهواره ترا از سنجنده مودیس بهره می‌برد. نتایج ارزیابی حاکی از کارایی قابل قبول روش پیشنهادی در مقایسه با سایر روش‌‌های کارای معرفی شده در سال‌های اخیر است. نتایج این تحقیق منجر به تولید نرم افزاری برای تهیه نقشه آلودگی شهر تهران (نقشه غلظت PM2.5 و PM10) با استفاده از تصاویر رایگان سنجنده مودیس شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Concentration Estimation of Air Pollutants (PM2.5 and PM10) Using MODIS Satellite Data, Deep Neural Network and Random Forest

نویسنده [English]

  • Maryam Imani
Faculty of Electrical and Computer Engineering, Tarbiat Modares University, Tehran, Iran
چکیده [English]

Many studies about estimation of air pollutants such as particulate matter (PM), PM2.5 and PM10, have used the aerosol optical depth (AOD). But, due to coarse resolution of AOD images, the use of satellite-derived based AOD products for PM estimation of small cities is not possible. To deal with this difficulty, we use the level 1 product of MODIS. The proposed method uses a deep neural network and a random forest model and utilizes the first and second bands of MODIS to estimate the PM values. The results show the superior performance of the proposed models compared to some state-of-the-art PM estimation methods. The outcome of this research is design of a PM map generation for Tehran city.

کلیدواژه‌ها [English]

  • Air pollution
  • particulate matter
  • PM estimation
  • deep neural network
  • random forest