نرگس عطاردی؛ میترا محمدی؛ زهرا حاج علی اوغلی
چکیده
زمینه و هدف: افزایش جمعیت و فعالیتهای صنعتی در شهر مشهد، کاهش کیفیت هوا و عواقب جدی برای سلامت عمومی به همراه داشته است. همچنین، ظهور بیماری کووید-۱۹ و ارتباط آن با آلودگی هوا، ضرورت بررسی تأثیرات قرنطینه و محدودیتهای ترافیکی بر غلظت آلایندهها را در این کلانشهر افزایش داده است. مواد و روش ها: در این مطالعه دادههای مربوط ...
بیشتر
زمینه و هدف: افزایش جمعیت و فعالیتهای صنعتی در شهر مشهد، کاهش کیفیت هوا و عواقب جدی برای سلامت عمومی به همراه داشته است. همچنین، ظهور بیماری کووید-۱۹ و ارتباط آن با آلودگی هوا، ضرورت بررسی تأثیرات قرنطینه و محدودیتهای ترافیکی بر غلظت آلایندهها را در این کلانشهر افزایش داده است. مواد و روش ها: در این مطالعه دادههای مربوط به غلظت آلاینده PM10 از ایستگاههای سنجش آلودگی مشهد جمعآوری شد. سپس با استفاده از آزمون tزوجی (Paired T-Test)، تغییرات آماری غلظت PM10 در دوران قبل و حین قرنطینه بررسی گردید. همچنین مدل یادگیری ماشین LSTM برای پیشبینی تأثیر قرنطینه بر سطوح PM10 بهکار گرفته شد که شامل پردازش دادهها، آموزش مدل و ارزیابی دقت پیشبینیها بود. یافته ها: نتایج آزمون t زوجی نشاندهندهی کاهش 16% در میانگین غلظت PM10 در دورهی قرنطینه بود، که با تفاوت میانگین 4/397 میکروگرم بر مترمکعب مشخص میشود. در مرحلهی بعدی، مدل یادگیری ماشین LSTM برای پیشبینی تأثیر قرنطینه بر سطوح PM10 استفاده شد. مقدار ضریب تعیین (0/8) نشاندهندهی همبستگی قوی بین پیشبینیها و غلظت واقعی PM10 است. مقادیر میانگین مربعات خطا (3/01) و میانگین خطای مطلق (2/56) بیانگر دقت بالای پیشبینی مدل LSTM و نزدیکی آن به مقادیر واقعی هستند.نتیجه گیری: نتایج نشان میدهد که مدل LSTM توانسته است با دقت بالایی غلظت آلاینده PM10 را پیشبینی کند و کارایی بالای آن را در تحلیل دادههای زمانی تأیید میکند. نتایج نهتنها کاهش قابل توجه در غلظت PM10 را نشان میدهد، بلکه ضرورت استفاده از مدلهای پیشرفته برای تحلیل دقیقتر دادههای محیطی را نیز تأکید مینماید.