Аннотации:
IoT технологиясына негізделген ауа сапасын бақылау жүйелерінің машиналық оқыту
алгоритмдерімен біріктірілуі қалалық ортадағы ластану деңгейін болжау және талдау
мүмкіндіктерін айтарлықтай жақсартты. Бұл зерттеу нақты уақыттағы деректерді пайдалана
отырып, AQI (Ауа сапасының индексі) көрсеткішін дәл болжау үшін IoT сенсорлары мен
Random Forest регрессиясының қолданылуын қарастырады. Зерттеу барысында ауа сапасын
болжауда кездесетін негізгі мәселелерге тоқталып, деректерді алдын ала өңдеу,
аномалияларды анықтау және есептеу тиімділігін арттыру мақсатында бұлттық және шеткі
есептеу технологияларының рөлі зерттелді.
Зерттеуде қолданылған деректер жиынтығы әртүрлі аймақтардан жиналған ауа ластану
көрсеткіштерінен тұрады, оның ішінде PM2.5, PM10, NO₂, CO және O₃ деңгейлері қамтылған.
Деректердің сенімділігін қамтамасыз ету үшін жетіспейтін мәндерді толтыру және шектен тыс
ауытқуларды анықтау сияқты алдын ала өңдеу әдістері қолданылды. Random Forest моделі
тарихи ластану деректерінде үйретіліп, бағаланды. Нәтижесінде, Орташа Квадраттық Қате
(MSE) 23.22, ал R² көрсеткіші 0.997 мәніне жетіп, жоғары болжам дәлдігін көрсетті.
Сонымен қатар, AQI таралу гистограммалары, ластаушы заттар арасындағы
корреляция жылу карталары және геокеңістіктік карталау әдістері ластану үлгілерін талдауға
көмектесті. Зерттеу нәтижелері бұлттық есептеулердің кең ауқымды мониторинг үшін
маңыздылығын көрсетсе, шеткі есептеу технологиясы деректерді жергілікті деңгейде өңдеу
арқылы кідірісті азайтып, жауап беру уақытын жақсартады.
Бұл зерттеу IoT негізіндегі ауа сапасын бақылау және машиналық оқытуды біріктіру
ластану деңгейін болжауды айтарлықтай жақсарта алатынын көрсетеді. Дегенмен,
сенсорларды калибрлеу, деректерді біріктіру және есептеу ресурстарын оңтайлы бөлу сияқты
мәселелерді шешу қажет. Болашақ зерттеулерге метеорологиялық факторларды модельге қосу
және терең оқыту әдістерін қолдану арқылы болжам дәлдігін арттыру кіреді.
