پیشبینی غلظت آلاینده منوکسیدکربن در کلان‌شهر تهران با استفاده از شبکه‌های عصبی مصنوعی
محورهای موضوعی : مدیریت محیط زیستحمیدرضا جدی 1 , رحیم علی عباسپور 2 , مینا خالصیان 3 , سیدکاظم علوی‌پناه 4
1 - کارشناس ارشد گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران.
2 - استادیار، دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده‌های فنی، دانشگاه تهران، تهران، ایران.
3 - دکترای GIS، دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده‌های فنی، دانشگاه تهران، تهران، ایران.
4 - استاد گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران.
کلید واژه: پیش بینی آلودگی هوا, شبکه عصبی مصنوعی, آلاینده منواکسیدکربن,
چکیده مقاله :
زمینه و هدف:. راهکارهای متعددی برای کنترل آلودگی هوا وجود دارد که یکی از آن‌ها پیش بینی میزان آن است. هدف از این تحقیق ارایه یک مدل شبکه عصبی مصنوعی با ساختار چندلایه، برای آلاینده CO در شهر تهران برای پیش بینی 24ساعت آینده آن می باشد. روش بررسی: از مشخصه های سرعت باد، جهت باد، دما، رطوبت نسبی و فشار هوا به عنوان داده های هواشناسی و از غلظت منوکسیدکربن به عنوان پارامتر آلودگی هوا به منظور پیش بینی مقدار آلایندهCO در روز آتی (24 ساعت آینده) استفاده شد. جهت حذف نویز داده ها، در مرحله پیش پردازش داده ها، از دو روش تبدیل موجک و تعیین حد آستانه به کمک توزیع نرمال استفاده گردید. یافته‌ها: نتایج حاصل از شاخص های آماری ضریب همبستگی، شاخص توافق، دقت پیش بینی و جذر میانگین مربعات خطا برای مدل1 با داده های تکراری به ترتیب 9012/0، 915/0، 848/0 و 1012/0 و برای مدل2 با داده های تکراری به ترتیب9572/0، 978/0، 963/0 و 0385/0 می باشد. نتیجه گیری: نتایج حاصل نشان می دهد توافق خوبی بین داده های اصلی و داده های پیش بینی شده توسط مدل ها وجود دارد و مدل های ارایه شده در پیش بینی آلودگی هوا از قابلیت بالایی برخوردارند.
Background and Objective: Nowadays, air pollution is one of the most important problems almost all over the world. There are many strategies to control and reduce air pollution, one of which is prediction of this event and getting ready to deal with the negative effects of it. The aim of this study is to provide a multi-layer structure of artificial neural networks (ANN) for predicting of carbon monoxide pollution at subsequent 24 hours in Tehran metropolis. Method: To predict the amount of CO emissions in near future (subsequent 24 hours), wind speed and direction, temperature, relative humidity, and barometric pressure characteristics are used as meteorological data, and concentration of carbon monoxide is considered as a pollution parameter. To eliminate the noise of data, wavelets transform method and determining the threshold with normal distribution are used before training the ANN. Finally, two neural networks as two general models are proposed and used for modelling. Findings: The results show that the correlation coefficient, index of agreement, accuracy of prediction, and root mean square error for model no. 1 with duplicate data are 0.9012, 0.915, 0.848, and 0.1012 and for model no. 2 with duplicate data are 0.9572, 0.978, 0.963, and 0.0385 respectively. Moreover, the results of listed parameters for model no. 1 with new data are 0.9086, 0.89, 0.885, and 0.0825 and for model No. 2 with new data are 0.8678, 0.928, 0.932, and 0.1163 respectively. Conclusion: Results showed that there is a good agreement between predicted and observed values, hence the proposed models have a high potential for air pollution prediction.
1- اصیلیان. حسن، قانعیان. محمدتقی و غنیزاده. قادر، 1386، آلودگی هوا، انتشارات میترا.
2- Zannetti, p. 1990; Air pollution modeling, theories, computational methods and software’s, computational mechanics publication, WIT Press.
3- Collett RS, Oduyemi K. 1997; Air quality modelling: a technical review of mathematical approaches. Meteorological Applications. 4(03):235-46.
4- Sharma N, Chaudhry K, Rao CC. 2005; Vehicular pollution modeling using artificial neural network technique: A review. Journal of Scientific and Industrial research. 64(9):637.
5- Ibarra-Berastegi G, Elias A, Barona A, Saenz J, Ezcurra A, de Argandoña JD. 2008; From diagnosis to prognosis for forecasting air pollution using neural networks: Air pollution monitoring in Bilbao. Environmental Modelling & Software. 23(5):622-37.
6- Ul-Saufie AZ, Yahya AS, Ramli NA, Hamid HA. 2011; Comparison between multiple linear regression and feed forward back propagation neural network models for predicting PM10 concentration level based on gaseous and meteorological parameters. International Journal of Applied. 1(4).
7- Tecer LA, 2007; Prediction of SO2 and PM Concentrations in a Coastal Mining Area (Zonguldak, Turkey) Using an Artificial Neural Network. Polish J. of Environ. Stud. 16(04): 633-638
8- بوداقپور. سیامک،1390، پیش بینی میزان غلظت آلایندههای هوای تهران با استفاده از شبکه عصبیمصنوعی، علوم و تکنولوژی محیط زیست، دوره 13، صص 1-10.
9- Nejadkoorki, F. and S. Baroutian, 2012. "Forecasting extreme PM10 concentrations using artificial neural networks." Int. J. Environ. Res 6(1): 277-284.
10- سبحانی اردکانی. س، اسماعیلی ساری. ع، چراغچی. م، طیبی. ل و قاسمرودی. م، 1386، تعیین کیفیت بهداشتی هوای تهران در سال 1383 با استفاده از شاخص کیفیت هوا ، علوم تکنولوژی و محیطزیست، شماره 4، صص 38-33.
11- صدر موسوی. میرستار، و رحیمی. اکبر، 1387، ارزیابی کاربرد شبکه‌های عصبی مصنوعی در پیشبینی منوکسید کربن در هوای شهر تبریز، فصل‌نامه منابع طبیعی ایران ، سال شصت و یکم، شماره 3
12- سبحانی اردکانی. س و اسماعیلی ساری. ع، چراغچی. م، طیبی. ل و قاسمرودی. م، 1386، تعیین کیفیت بهداشتی هوای تهران در سال 1383 با استفاده از شاخص کیفیت هوا ، علوم تکنولوژی و محیط زیست، شماره 4، صص 38-33.
13- نظم آرا. ش، هاشم خانی. م، ذوقی. الف، 1386، بررسی وضعیت CO موجود در شهر تهران با استفاده از شاخص کیفیت هوا (AQI) دهمین همایش ملی بهداشت محیط ، دانشگاه علوم پزشکی همدان.
14- اله حسینی، الف، هاشمی. ه و نیکروان، م، 1389، تحلیل و بررسی آماری داده‌های شاخص آلودگی هوای تهران از سال 1381 الی 1387، پنجمین کنگره ملی مهندسی عمران ، دانشگاه فردوسی، مشهد.
15- منهاج. محمدباقر، 1384 ،مبانی شبکه های عصبی مصنوعی، انتشارات دانشگاه صنعتی امیر کبیر.
16- Patterson, W. 1996; Artificial Neural Network: Theory and Applications, second edition, Prentice Hall Press.
17- Shepherd, G.M, 1990, The synaptic organization of the brain, third edition, Oxford university press
18- Fausett, Larson. 1994; Fundamental of neural network: architecture, algorithms, and applications, prentice Hall Press.
19- Chelani, Asha B., Chalapati Rao, K.M. Phadke & M.Z. Hasan, 2002; Prediction of Sulphur dioxide concentration using artificial neural networks. Environmental Modelling & Software; 17: 161–168.
20- شرعی پور. زهرا، 1389،بررسی غلظت آلایندههای هوا و ارتباط آن با پارامترهای هواشناسی، چهاردهمین کنفرانس ژئوفیزیک ایران، ایران.
21- Narasimhan, S.V., Nandini Basumallick, S. 2011, Introduction to Wavelet Transform: A Signal Processing Approach.
_||_
