استفاده از شبکه بازگشتی NAR برای پیش بینی غلظت مونوکسید کربن

فصلنامه علوم و تکنولوژی محیط زیست

دوره ۱۸ ، شماره ۳ – شماره پیاپی ۷۰ ، پاییز ۱۳۹۵

نویسندگان: مهرداد رفیع پور ، علی اصغر آل‌ شیخ ، عباس علی محمدی ، ابوالقاسم صادقی نیارکی

چکیده:

زمینه و هدف : آلودگی هوا یکی از مشکلات مهم شهرهای بزرگ محسوب می شود. یکی از اهداف مسئولین شهری آگاهی از میزان کیفیت هوا در آینده است ؛ برای پیش بینی کیفیت هوا، باید غلظت هریک از آلاینده ها مدلسازی شده و با استفاده از مـدل ایجـاد شـده ، نسـبت بـه پیش بینی مقادیر هریک از آلاینده ها اقدام شود. با توجه به اینکه مونوکسید کربن یکی از آلاینده های مهم هوا است ، و تاثیرات زیانبـاری بـر سلامت انسان دارد.

روش بررسی : در این مقاله به مدلسازی و پیش بینی ۲۴ ساعته غلظت مونوکسید کربن با استفاده از شبکه های عصبی بازگشـتی NAR و مدل آماری ARMA پرداخته شده و سپس نتایج این دو روش با یکدیگر مقایسه شده است . برای این منظور از داده هـای سـال ۲۰۰۹ از ۲۹ نوامبر تا ۳۱ دسامبر، مربوط به غلظت آلاینده مونو کسید کربن اندازه گیری شده در ایستگاه آزادی از ایسـتگاه هـای پـایش کیفیـت هـوا متعلق به سازمان محیط زیست استان تهران استفاده شده است .

یافته ها: نتایج مدلسازی نشان می دهد که شبکه عصبی NAR دارای دقت بهتری نسبت به روش ARMA  برای پیش بینی و مدلسـازی غلظت مونوکسید کربن است. شبکه عصبی NAR با MSE کمتر از ۱/۶ دقـت مناسـبی در پیش بینی غلظـت آلاینـده مونوکسـید کـربن داشت . همچنین همبستگی بین مقادیر پیش بینی شده و مقادیر واقعی برای شبکه عصبی NAR، ۸۴ درصد می باشـد. در حـالی کـه مـدل ARMA دارای MSE برابر ۵/۴۶  و ضریب همبستگی ۷۲ درصد می باشد.

نتیجه گیری : می توان نتایج پیش بینی را جهت آگاه سازی عمومی در اینترنت و شبکه های جمعی منتشر کرد. همچنـین نتـایج مدلسـازی و پیش بینی می تواند برای مدیریت بهتر آلودگی هوا توسط مدیران مورد استفاده قرار گیرد. نتایج این تحقیق نشان می دهد که شـبکه عصـبی NAR قابلیت بسیار بالایی در پیش بینی سری زمانی غاظت مونوکسید کربن دارد.

واژه های کلیدی: آلودگی هوا ، مونو کسید کربن ، شبکه های عصبی ، مدلسازی ، پیش بینی

 << ادامه مطلب را در فایل پیوست مطالعه فرمایید >>