پیش بینی میزان غلظت آلاینده های هوای تهران با استفاده از شبکه عصبی مصنوعی
محورهای موضوعی : مدیریت محیط زیستسیامک بوداقپور 1 , امیر چرخستانی 2
1 -
2 -
کلید واژه: آلودگی هوا, اکسیدهای نیتروژن, اکسیدهای کربن, شبکه عصبی, سری های زمانی,
چکیده مقاله :
در این تحقیق شبکه عصبی مصنوعی جهت برآورد و پیش بینی غلظت گازهای آلاینده هوا به کار رفته است.با توجه به خطر آلودگی هوا در شهر تهران و ایجاد مشکلات زیست محیطی و بیماری های خطرناک تنفسی و پوستی به ویژه برای کودکان و سالمندان و نیاز شدید به کنترل آن ، این تحقیق در جهت برنامه ریزی و کنترل این مشکل در تهران و همچنین شهرهای بزرگ دیگر انجام گرفته است. برای این منظور از آمار غلظت گازهای آلاینده هوای ثبت شده توسط حسگر های (سنسور) نصب شده در ایستگاه بازار در سال های 1381 تا 1386 استفاده شده است(گاز NOX). از مدل اتو رگرسیو و سری های زمانی جهت تعیین ورودی های شبکه عصبی استفاده شده و بر اساس این مدل غلظت گاز در زمان جاری به غلظت گازهای 7 روز گذشته وابسته است.بنابراین ورودی های شبکه عصبی غلظت گاز در 7 روز گذشته و خروجی آن که در واقع پیش بینی شبکه عصبی می باشد، غلظت گاز در زمان جاری می باشد.سپس با استفاده از نرم افزار مطلب 7، مدل شبکه عصبی مصنوعی طراحی شده و این پیش بینی انجام گرفته است. همچنین این پیش بینی با استفاده از رگرسیون غیر خطی نیز انجام گرفته و در پایان نتایج مدل ثبت گردیده و خطای جذر میانگین مربعات مدل شبکه عصبی با معادلات رگرسیون مقایسه شده است و مشاهده می شود که خطای مدل شبکه عصبی کمتر از روش رگرسیون است.مدل های ارایه شده توانایی چشم گیری در پیش بینی میزان آلودگی هوای تهران را دارند.
In this study we applied artificial neural network (ANN) to predict the concentration of air pollutant in Tehran urban air. Because of dangers of air pollution in Tehran city witch causes environmental problems and various respiratory and dermatological diseases and troubles especially in children and aged people. This research was set in order to schedule and control this problem in Tehran and other great cities. Statistical data for this purpose were picked up from the concentration of pollutant gases recorded by fixed sensors in Bazar station from 2002 till 2007 (NOX gas). Auto regressive model and time series were used to determine neural network inputs. Current time gas concentration in this model depends on gas concentration of all 7 past days. Therefore, neural network input was concentration of the gas in all 7 past days and neural network output which was the prediction of neural network and the concentration of the gas in current time. Then the model of ANN is deigned by using of MATLAB 7 software and data simulating. Eventually, simulated data has plotted versus real data and it depicted that there is a good result compared with simulated data from ANN. The latter shows less error compare with regression model