دستاورد دانشگاه تهران؛ پیشبینی آلودگی هوا با هوش مصنوعی
پژوهشگران دانشگاه تهران با طراحی یک مدل مبتنی بر هوش مصنوعی و شبکههای عصبی گرافی، روشی نوین برای برآورد دقیق کیفیت هوا در مناطقی که ایستگاه پایش آلودگی ندارند، ارائه کردند. این فناوری با کاهش خطای پیشبینی تا ۱۱ درصد، میتواند به توسعه سامانههای هشدار آلودگی هوا، تصمیمگیری دقیقتر مدیران شهری و اطلاعرسانی بهتر به شهروندان کمک کند.
به گزارش سیناپرس، پژوهشگران دانشکده مهندسی برق و کامپیوتر دانشگاه تهران با طراحی یک مدل مبتنی بر هوش مصنوعی و شبکههای عصبی گرافی، موفق شدند روشی نوین برای برآورد دقیق کیفیت هوا در مناطقی که فاقد ایستگاههای پایش آلودگی هستند ارائه کنند؛ دستاوردی که میتواند به تصمیمگیری دقیقتر مدیران شهری و اطلاعرسانی بهتر به شهروندان در زمینه آلودگی هوا کمک کند.
دانشگاه تهران اعلام کرد پژوهشگران این دانشگاه در قالب یک مطالعه علمی، مدل جدیدی با عنوان «تلفیق زمانی شبکه عصبی گرافی پویا (DTFGNN)» توسعه دادهاند که قادر است میزان آلایندههای هوا را، در نقاطی که هیچگونه تجهیزات سنجش آلودگی هوا در آنها نصب نشده است، با صحت بالا تخمین بزند.
با توجه به صدمات زیست محیطی و انسانی آلودگی هوا، شهرهای مختلف دنیا نیازمند پایش دقیق، جامع، و برخط آلایندههای هوا در سطح شهرها هستند؛ اما هزینه بالای نصب و نگهداری ایستگاههای پایش کیفیت هوا موجب شده است بسیاری از مناطق شهری از پوشش مناسب این سامانهها برخوردار نباشند. این موضوع علاوه بر محدود کردن دسترسی شهروندان به اطلاعات دقیق کیفیت هوا، تصمیمگیری مدیران شهری برای مدیریت بحرانهای ناشی از آلودگی هوا را نیز با چالش مواجه میکند.
در این پژوهش، مدلی پیشنهاد شده است تا با بهرهگیری از دادههای محدود ثبتشده در ایستگاههای سنجش آلودگی هوا و اطلاعات هواشناسی، روابط زمانی و مکانی پیچیده میان آلایندهها را تحلیل کرده و قادر است میزان آنها را در مناطقی که تاکنون حسگرهای پایش آلایندههای هوا نصب نشدهاند را تخمین بزند. دو نوآوری اصلی پژوهشگران دانشگاه تهران در این تحقیقات، ارائه روشی برای درنظر گرفتن روابط مکانی پویا، بین نقاط مورد نظر برای تخمین و ایستگاههای موجود آلایندهها، و ارائه روشی برای درنظر گرفتن و ادغام وابستگیهای زمانی کوتاه و بلند مدت برای تخمین دقیقتر آلایندههاست که چارچوب چندلایه این مدل طراحی شده در شکل منعکس شده است.
برای صحتسنجی و ارزیابی دقیق عملکرد روش پیشنهادی، از دو مجموعه داده واقعی دردسترس عموم مربوط به شهرهای پکن و لندن استفاده و مدل مطرح شده در این پژوهش، با تعداد بالایی از روشهای سنتی و بهترین فناوری روز مورد مقایسه قرار گرفته است. طبق این بررسیها این روش توانسته تقریباً برروی تمامی معیارهای ارزیابی و آلایندههای مختلف عملکرد بهتری از روشهای به روز نشان دهد، و خطای پیشبینی را تا ۱۱ درصد کاهش دهد. همچنین میتوان برای نمونه، عملکرد تخمین آلاینده ذرات معلق ۲.۵ میکرومتری مرتبط با شهر پکن در یک بازه زمانی خاص را بین مدل و مقادیر واقعی را در شکل زیر مشاهده کرد، که نشاندهنده صحت بالای روش طراحی شده است.
به گفته پژوهشگران، استفاده از چنین سامانههایی میتواند بدون نیاز به توسعه گسترده و پرهزینه زیرساختهای سنجش آلودگی هوا، اطلاعات دقیقی از وضعیت کیفیت هوا در اختیار شهروندان و مدیران شهری قرار دهد. این فناوری همچنین قابلیت استفاده در سامانههای هشداردهنده کیفیت هوا، اپلیکیشنهای اطلاعرسانی عمومی و سامانههای پشتیبان تصمیمگیری برای مدیریت شهری را دارد.
این پژوهش توسط امین شیخزاده، دانشآموخته دانشکده مهندسی برق و کامپیوتر دانشگاه تهران، با راهنمایی و نظارت دکتر بهزاد مشیری، استاد دانشکده مهندسی برق و کامپیوتر دانشگاه تهران و استاد وابسته دانشگاه واترلو کانادا و با همکاری دکتر ابراهیم غفارزاده از دانشگاه یورک کانادا انجام شده و نتایج آن در نشریه علمی Engineering Applications of Artificial Intelligence (IF=۸) منتشر شده است.
