پیش‌بینی کوتاه مدت غلظت گاز مونو اکسید کربن در هوای شهر اهواز با استفاده از تحلیل شبکه‌های عصبی مصنوعی

الموضوعات :

مریم کاوسی ¹ (گروه محیط زیست، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران)
سیما سبزعلی پور ² (گروه محیط زیست واحد اهوازدانشگاه آزاد)
حسین فتحیان ³ (گروه مهندسی منابع آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران)

تاريخ الإرسال : 18 الأحد , رمضان, 1444 تاريخ التأكيد : 08 الأحد , ذو القعدة, 1444 تاريخ الإصدار : 02 الثلاثاء , ذو الحجة, 1444

الکلمات المفتاحية: پیش بینی کوتاه مدت, غلظت گاز مونو اکسید کربن, شبکه پرسپترون چند لایه, آلودگی هوا,

ملخص المقالة :

مقدمه: آلودگی هوای شهر‌ها یکی از مهمترین معضلات محیط زیستی بوده که همواره تهدیدی دایم و جدی برای سلامت و بهداشت جامعه و همچنین محیط زیست می‌باشد. از مهمترین آلاینده‌های هوا می‌توان به اکسیدهای نیتروژن به خصوص دی¬اکسیدنیتروژن، اکسید‌های سولفور به ویژه دی¬اکسیدسولفور، هیدروکربن‌ها، منواکسیدکربن (CO)، دی¬اکسیدکربن و ذرات معلق اشاره کرد.کلان¬شهر اهواز یکی از آلوده‌ترین شهر‌های ایران می‌باشد که مدیریت زیست محیطی به ویژه در زمینه آلودگی هوا بسیار با اهمیت می‌باشد. هدف از این پژوهش پیش‌بینی غلظت آلاینده CO در هفت روز ابتدای سال 1395 در شهر اهواز می‌باشد. مواد و روش‌ها: بر اساس مطالعات پیشین، متغیر‌های هواشناسی شامل دمای هوا، رطوبت هوا و سرعت باد به عنوان متغیر‌های ورودی مؤثر در شبکه برای پیش‌بینی غلظت گاز COانتخاب شدند. غلظت گاز CO در سال 1394 از طریق سازمان حفاظت محیط زیست شهر اهواز تهیه شد. به منظور توسعه شبکه عصبی پرسپترون چندلایه (MLP) از نرم‌افزار Neuro Solution5 استفاده گردید. به منظور ایجاد شبکه عصبی، 70 درصد از داده‌ها برای آموزش (واسنجی)، 15 درصد برای تست و 15 درصد باقیمانده برای آزمون صحت¬سنجی نتایج حاصل از شبکه مورد استفاده قرار گرفت. نتایج و بحث: به منظور تعین بهترین ساختار شبکه MLP برای پیش‌بینی کوتاه مدت غلظت گاز CO ساختارهای مختلف از لحاظ تعداد لایه‌های میانی، نوع الگوریتم آموزش شبکه، نوع تابع انتقال، تعداد نرون‌های لایه میانی و تعداد تکرار‌های آموزش در نظر گرفته شد. نتایج نشان داد که شبکه MLP با ساختار 1-5-3 (یعنی 3 نرون ورودی، 5 نرون در لایه میانی و یک نرون برای لایه خروجی) با 1500 تکرار آموزش به ازای تابع انتقال تانزانت سیگموئید (Tansig) و الگوریتم آموزش کاهش گرادیان همراه با مؤمنتم (Traingdm)، بهترین شبکه MLP می‌باشد. علاوه بر این، مقادیر شاخص‌های آماری NSE، RMSE و MAE به ازای مرحله آموزش شبکه به ترتیب برابر با 72/0 ، 22/0 و 15/0 می‌باشد. نتیجه‌گیری: آلودگی هوا، چالش اصلی زیست محیطی در اهواز، از ترکیب ترافیک و صنایع نفتی ناشی می¬شود. تأثیرات بهداشتی و زیست محیطی آن نیازمند بررسی جامع است.در این تحقیق از شبکه MLP برای پیش‌بینی مقادیر غلظت گاز CO در هوای شهر اهواز استفاده شد. نتایج نشان می‌دهد که دقت و عملکرد شبکه در پیش‌بینی غلظت گاز CO در سطح مطلوب می‌باشد. در ادامه این تحقیق پیشنهاد می‌شود که پیش‌بینی غلظت دیگر الاینده‌های گازی انجام شود و برای تعیین ساختار بهینه شبکه عصبی مصنوعی از الگوریتم¬های بهینه‌سازی استفاده شود.

المصادر:

صدرموسوی.م، رحمتی.الف، 1386، ارزیابی کاربرد شبکه های عصبی مصنوعی در پیش بینی منوکسیدکربن در هوای شهر تبریز، فصلنامه منابع طبیعی ایران، سال شصت و یکم، شماره 3
اسدالله فردی. غ؛ 1392، پیش بینی کوتاه مدت غلظت بنزن هوای شهر تهران با استفاده از شبکه عصبی مصنوعی، پایان نامه کارشناسی ارشد، دانشگاه تربیت معلم تهران
محمدی. ن، ظروفچی. خ، شاکرخطیبی. م، 1395، پیش بینی غلظت آلاینده های گازی در هوای شهر تبریز با استفاده از شبکه عصبی، نشریه مهندسی عمران و محیط زیست دانشگاه تبریز، تابستان 1395، ص 87 تا 94
علیاری شوره دلی.ع، تشنه لب، م، خاکی صدیق. ع، 1387، پيش بيني کوتاه مدت آلودگي هوا با کمک شبکه هاي عصبي پرسپترون چند لايه، خط حافظه دار تاخير، گاما و ANFIS با روشهاي ترکيبي آموزشي مبتني بر PSO، نشریه کنترل، پاییز 1387، دوره 2، شماره 1، صفحات 1 تا 19
صادقی.ح، خاکسار. آ، 1391، پیش بینی کوتاه مدت ذرات معلق شهر اهواز با کمک شبکه های عصبی مصنوعی، پژوهش های محیط زیست، سال 5، شماره 9، بهار و تابستان 1393
بوداقپور، س. و چرخستانی، ا. 1390 . پیش بینی میان غلظت آلاینده های هوای تهران با استفاده از شبکه عصبی مصنوعی. علوم و تکنولوژی محیطزیست، دوره سیادهم، شماره یک.
بوداقپور.س، ابراهیمی.م، جوادی.ص، 1391، پیش بینی آلودگی هوای منطقه 12 تهران با استفاده از شبکه عصبی هوشمند، ششمین کنگره ملی مهندسان عمران، اردیبهشت 1391، دانشگاه سمنان، ایران
سجادیان.ن، 1394، پیش بینی آلودگی هوا ناشی از حمل و نقل شهری کلانشهر تهران با بهره گیری از تلفیق GIS با مدل LUR و شبکه های عصبی مصنوعی، فصلنامه علمی پژوهشی اطلاعات جغرافیایی، دوره 24، شماره 95، پاییز 94
زلقی.الف، 1391، کمی سازی اثرات بهداشتی ذرات معلق در شهر اهواز در سال 1390
محمدی.ج، گودرزی.غ، 1388، کمی سازی اثرات بهداشتی ناشی از انتشار آلاینده های هوا در شهر اهواز با استفاده از مدل Air-Q، پایان نامه کارشناسی ارشد، دانشگاه علوم و تحقیقات خوزستان
گودرزی غ ر. کمی سازی اثرات بهداشتی آلودگی هوای شهر تهران و تعیین تأثیر محور سوم برنامه جامع کاهش آلودگی هوای تهران بر آن [پایان نامه دکترا].تهران: دانشگاه علوم پژشکی تهران؛1388
اورک ک ، سیسل، واین. آلودگی هوا منشأ و کنترل آن ، مترجمان ندافی کاظم، حسنوند محمد صادق، حیدری محمد، نقی زاده علی. چاپ اول؛ 1388؛568-550
کوشا. ک، 1369، آلودگی هوا، سازمان انتشارات و آموزش
خانی، م، یغمائیان، کتمیار ( 1383 )؛ آلودگی هوا ،خلاصه درس، تهران: انتشارات مؤسسه فرهنگی و هنري دیباگران.
هاشمی هفشجانی، م، 1388، بررسی نقش ICT در کاهش انتشار آلاینده های هوا در کلانشهر اهواز، پایان نامه کارشناسی ارشد، دانشگاه علوم و تحقیقات خوزستان
پرداختی.ع، اسماعیلی ساری.ع، الهام.الف، 1383، بررسی کمی و کیفی هیدروکربن های آروماتیک چندحلقه ای در هوای تهران در تابستان 1381، نشریه محیط شناسی، دوره 30، شماره 33، ص 16 تا 20
Karaca, F., Nikov, A., Alagha, O., "NN-Airpol: A Neural-Networks-Based Method for Air Pollution Evaluation and Control", International Journal of Environment and Pollution, 2006, 28 (3/4), 310-325.
Jiang, D., Zhang, Y., Hu, X., Zeng, Y., Tan, J., Shao, D., "Progress in Developing an ANN Model for Air Pollution Index Forecast", Atmospheric Environment, 2004, 38 (40), 7055-7064
Hooyberghs, J., Mensink, C., Dumont, G., Fierens, F., Brasseur, O., "Neural Network Forecast for Daily Average PM10 Concentrations in Belgium", Atmospheric Environment, 2005, 39, 3279-3289.
Ming, C., Yafeng, Y., Min, X., "Prediction of Hourly Air Pollutant Concentrations near Urban Arterials Using Artificial Neural Network Approach", Transportation Research, 2009, 14, 32-41.
Bodaghpour, S., Charkhestani, A., "Prediction of Gas Pollutants Concentration by Means of Artificial Neural Network in Tehran Urban Air", Journal of Environmental Science and Technology, 2011, 13 (1), 1-10.
Giustolisi, O., Doglioni, A., Savic, D. A., Webb, B. W., "A Multi-Model Approach to Analysis of Environmental Phenomena", Environmental Modelling and Software, 2007, 22, 674-682.
Demuth, H., Beale, M., "Neural Network Toolbox users Guide", Copyright 1992-2002, by the Math Works, Inc, Version 4, 840PP.
Boznar, M., Lesjak, M., Mlakar, P., "A Neural Network-Based Method for Short-Term Prediction of Ambient SO2 Concentrations in Highly Polluted Industrial Areas of Complex Terrain", Atmospheric,Environment, 2003, 27B (2), 221-230.
Postolache, O., Girao, M., Pereira, M., "Neural Network Application in a Carbon Monoxide Measurement System", International Joint Conference on Neural Network, 2001, 3, 2076-2081
Gardner, M. & Dorling, S. 1998 Artificial neural networks (the multilayer perceptron). A review of Applications in the atmospheric sciences, Atmospheric Environment 32, 2627-2636.
Cai, M., Yafeng, Y., Min, X., “Prediction of Hourly Air Pollutant Concentrations near Urban Arterials Using Artificial Neural Network Approach”, Transportation Research Part D: Transport and Environment, 2009, 14, 32-41.
Aliyari sh, M., Teshnelab, M., Khak (2008), Short Term prediction of air pollution using MLP,Gamma,ANFIS and Hybrid training based oN PSO. Journal of Control,Vol.2,NO.1,fall 2008,pp.1-19.
Corani.G.,(2005),Air quality prediction in Milan feed-forward neural networks.pruned neural networks and lazy learning. Ecol.Model., 185,513-529.
Epley.R,Menon.M.,(2008),A Method of Assembling Cross sectional Indicators into a community quality of life,Social Indicators Resarch,88.
Gardner.M.w.,Dorling.S.R.,(1998),Artificial neural networks (the multilayer perceptron)-a weview of applications in the atmospheric science, Atmos Environ.,32(14/15),2627-2636.