پایش و پیش‌بینی کیفیت هوا در شهرهای هوشمند با استفاده از دستگاه‌های حسگر سیار

نوع: Type: پایان نامه

مقطع: Segment: کارشناسی ارشد

عنوان: Title: پایش و پیش‌بینی کیفیت هوا در شهرهای هوشمند با استفاده از دستگاه‌های حسگر سیار

ارائه دهنده: Provider: آنیتا کریم قصاب پور - مهندسی کامپیوتر

اساتید راهنما: Supervisors: دکتر حاتم عبدلی

اساتید مشاور: Advisory Professors: دکتر محرم منصوری زاده

اساتید ممتحن یا داور: Examining professors or referees: دکتر عباسی و دکتر محمدی

زمان و تاریخ ارائه: Time and date of presentation: ساعت 17:30 - 1404/7/26

مکان ارائه: Place of presentation: کلاس سمینار کامپیوتر

چکیده: Abstract: آلودگی هوا از مهم‌ترین چالش‌های بهداشت عمومی در جهان امروز است. ایستگاه‌های ثابت پایش کیفیت هوا، با وجود دقت بالا، به دلیل هزینه‌های سرمایه‌گذاری و عملیاتی و محدودیت مکانی، قادر به نمایش ناهمگنی آلودگی هوا در مقیاس‌های ریز شهری نیستند. در سال‌های اخیر، حسگرهای کم‌هزینه و سامانه‌های سیار به‌عنوان مکمل عملیاتی مطرح شده‌اند؛ اما داده خام این حسگرها به‌شدت تحت تأثیر رطوبت، دما و طراحی محفظه است و بدون کالیبراسیون داده‌محور، قابل اتکا نیست. این پژوهش براساس طراحی و ساخت یک دستگاه حسگر سیار و توسعه یک مجموعه کامل «اندازه‌گیری،کالیبراسیون،پیش‌بینی»، راهکاری کم‌هزینه و قابل‌گسترش برای پایش و پیش‌بینی کیفیت هوا ارائه می‌کند. سخت‌افزار پیشنهاد‌شده با هدف نصب به‌صورت سیار طراحی شده و امکان اندازه‌گیری پیوسته ذرات معلق PM2.5 و PM10 دیگر آلاینده‌ها را همراه با پارامترهای محیطی (دما و رطوبت) و مختصات مکانی فراهم می‌کند. داده‌ها در شهر همدان، روی مسیر از پیش تعیین‌شده و در بازه زمانی مشخص گردآوری می‌شوند. در بخش داده، کنترل کیفیت میدانی، هم‌ترازی زمانی_مکانی، پالایش داده‌های پرت‌ و جایگزینی مقادیر مفقود انجام می‌شود. سپس برای کالیبراسیون حسگرهای کم‌هزینه، مدل‌های یادگیری ماشین شامل رگرسیون‌های خطی، مدل‌های درختی (جنگل تصادفی و گرادیان‌بوستینگ) آموزش داده می‌شود. در گام پیش‌بینی نیز، از همان چارچوب بهره گرفته شد تا غلظت آلاینده‌ها در نقاط منتخب شهر برآورد گردد. کارایی مدل‌ها با سنجه‌های استاندارد از جمله MAE، RMSE، MSE و R² ارزیابی می‌شود. نتایج نشان می‌دهد که کالیبراسیون با کمک متغیرهای محیطی، دقت اندازه‌گیری را به‌طور معناداری بهبود می‌دهد. به‌‌‌طوریکه R2 به‌دست آمده برای کالیبراسیون ذرات معلق با مدل XGboost حدود 0.66-0.72 بوده است و برای پیش‌بینی مدل Lasso با 3.50-0.44 RMSE= و مدل XGBoost با 3.94-0.94 RMSE= بهترین عملکرد را در مقایسه با سایر مدل‌های یادگیری ماشین و سری زمانی داشتند. دستاورد اصلی پژوهش، ارائه یک راه‌حل یکپارچه و عملیاتی است که با هزینه پایین، دقت قابل‌قبولی در نقشه‌برداری و پیش‌بینی کیفیت هوا در مقیاس شهری می‌باشد.