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. تفاصيل المقالة