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

محورهای موضوعی : آلودگی های محیط زیست

مریم کاوسی ¹ , سیما سبزعلی پور ² , حسین فتحیان ³

1 - گروه محیط زیست، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران
2 - گروه محیط زیست واحد اهوازدانشگاه آزاد
3 - گروه مهندسی منابع آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران

تاریخ دریافت : 1402/01/20 تاریخ پذیرش : 1402/03/07 تاریخ انتشار : 1402/03/30

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

چکیده مقاله :

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.

چکیده انگلیسی:

Introduction: Air pollution in cities is one of the most critical environmental problems, representing a constant and severe threat to both the health and hygiene of society and the environment. The primary air pollutants include nitrogen oxides, with a particular emphasis on nitrogen dioxide, sulfur oxides, especially sulfur dioxide, hydrocarbons, carbon monoxide (CO), carbon dioxide, and suspended particles. Ahvaz, a metropolis in Iran, stands out as one of the most polluted cities. Effective environmental management, particularly in addressing air pollution, is of paramount importance. This research aims to predict the concentration of CO pollutants in Ahvaz city for the first seven days of 2015. Materials and Methods: Based on previous studies, meteorological variables including weather, air temperature and wind speed were selected as gas input titles in the network for gas prediction. CO gas was procured in 2014 through the Environmental Protection Organization of Ahvaz city. In order to develop the Multilayer Perceptron (MLP) neural network, Neuro Solution5 software was used to create the neural network, 70% of the data was used for training (validation), 15% for testing, and the remaining 15% for validating the results of the network. is used. was used. Results and Discussion: In order to determine the best MLP network structure for short-term prediction of CO gas concentration, different structures were considered in terms of the number of intermediate layers, the type of network training algorithm, the type of transfer function, the number of intermediate layer neurons and the number of repetitions (Epoch) of training. The results showed that the MLP network with a structure of 1-5-3 (that is, 3 input neurons, 5 neurons in the middle layer and one neuron for the output layer) with 1500 repetitions of training per Tansig transfer function (Tansant Sigmoid) and Traingdm training algorithm (reduction gradient with momentum), is the best MLP network. In addition, the values of NSE, RMSE and MAE statistical indices for the network training stage are equal to 0.72, 0.22 and 0.15 respectively. Conclusion: Air pollution, the primary environmental challenge in Ahvaz, arises from the intersection of traffic and the oil industry. Its impacts on health and the environment necessitate comprehensive investigation. In this study, an MLP network was employed to predict CO gas concentration values in the air of Ahvaz city. The findings demonstrate that the network's accuracy and performance in forecasting CO gas concentration are at an optimal level. As this research progresses, it is recommended to extend the prediction to other gaseous pollutants and to employ optimization algorithms for determining the optimal structure of the artificial neural network

منابع و مأخذ:

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.