عملکرد شبکه عصبی مصنوعی و شبکه عصبی فازی- تطبیقی در برآورد غلظت ازن در شهر تهران

Document Type: Research Paper

Authors

1 دانشجو

2 هیات علمی دانشگاه تربیت مدرس

Abstract

در سال‌های اخیر آلودگی هوا به عنوان یکی از بزرگ ترین مشکلات زیست محیطی در سطح جهانی مطرح شده است. ازن تروپوسفری یک آلاینده ثانویه است و سبب بروز مشکلات تنفسی و تاثیر حاد بر گیاهان می‌شود. در این مطالعه به دلیل غیر خطی بودن و پیچیدگی این پدیده‌هابه مقایسه برآورد غلظت آلاینده ازن با استفاده از شبکه عصبی مصنوعی و شبکه عصبی فازی-تطبیقی پرداخته شد. در پژوهش حاضر از متغیرهای هواشناسی در ایستگاه‌های پونک، گلبرگ، فتح و شهرداری16 جهت برآورد غلظت ازن شهر تهران در سال‌های 1389-1390 استفاده شد. با استفاده از رگرسیون گام به گام متغیرهای هواشناسی مقدار دما، میزان بارش و سرعت باد انتخاب و با استفاده از مدل‌های شبکه عصبی مصنوعی و شبکه عصبی فازی- تطبیقی به پیش بینی غلظت ازن پرداخته شد.  نتایج نشان داد که شبکه عصبی مصنوعی در ایستگاه شهرداری16 با مقدار ریشه میانگین مربعات خطا ( RMSE)، 042/0 و ضریب همبستگی (R2) 23/0 ، نسبت به شبکه عصبی فازی- تطبیقی با مقدار ریشه میانگین مربعات خطا، 057/0 و ضریب همبستگی 16/0 در مرحله آزمون توانسته با دقت بالایی غلظت ازن را برآورد  بزند. همچنین در تمامی ایستگاه‌ها متغیر مقدار دما به عنوان تاثیرگذارترین متغیر ورودی بر غلظت ازن شناخته شد.  نتایج بررسی نشان می‌دهند که مدل شبکه عصبی مصنوعی دارای دقت بالاتری در برآورد غلظت ازن نسبت به شبکه عصبی فازی- تطبیقی می‌باشد. بر طبق آزمون آنالیز حساسیت مقدار  متغیر دما  به عنوان تاثیرگذارترین متغیر در همه ایستگاه‌ها  می‌باشد. 

- اسماعیلی ساری ع.،(1381) "آلاینده­ها، بهداشت و استاندارد در محیط زیست"، انتشارات نقش مهر، 767ص.

 - بوداقپور، سیامک و چرخستانی، امیر، (1390) "پیش‌بینی میزان غلظت آلاینده­های هوای تهران با استفاده از شبکه‌عصبی‌مصنوعی"، علوم و تکنولوژی محیط زیست، دوره 13، شماره 1، بهار 1390، ص 1-10.

 - صفوی، سید یحیی و علیجانی، بهلول، (1385) "بررسی عوامل جغرافیایی در آلودگی هوای تهران"، پژوهش­های جغرافیای، دوره 38، شماره 58، زمستان 1385، ص 99-112.

 - صداقت‌کردار، عبداله.، جهانگیری، زهره و رحیم زاده، فاطمه، (1382) "توانایی­های بالقوه علم آمار در مطالعات هواشناسی آلودگی هوا"، کنفرانس آمار دانشگاه علامه طباطبایی، ص 1-10.

- علی اکبری بیدختی، عباسعلی و شرعی پور، زهرا (1388) "شرایط هواشناختی جو بالا و وضعیت حاد آلودگی هوا (مطالعة موردی : شهر تهران)"، محیط شناسی، دوره 35، شماره 52، زمستان 1388، ص1-14.

- Bnanankhah A., Nejadkoorki F., (2012) "Artificial neural networks: A non-linear tool for air quality modeling and monitoring", In Conf Ap Li Sci; Turkey.

 - Chelani A.B., Chalapati Rao C., Phadke K., Hasan M., (2002) "Prediction of sulphur dioxide concentration using artificial neural networks", Environ Mode & Software; 17(2): 159-166.

 -Comrie A., (1997) "Comparing Neural Networks and Regression Models for Ozone Forecasting, WASTE  MANAGE", Assoc; 47: 653-663.

 -Jang, J-SR., (1993) "ANFIS: Adaptive-network-based fuzzy inference system", Systems, Man and Cybernetics, IEEE Transact; 23.3: 665-685.

 -Konstantions P., Moustris., Ioannis C., Ziomas., Athanasios G., Paliatsos., (2010) "3-Day- ahead forecasting of regional pollution index for the pollutions NO2,CO, SO2, and O3 using artificial neural networks in athens", Greece, Water Air Soil Pollution; 209: 29-43.

 -Noori R., Hoshyaripour Gh., Ashrafi K., Nadjar Araabi B., (2010) "Daily concentration Uncertainty analysis of developed ANN and ANFIS models in prediction of carbon monoxide", Atm Environ; 44 (4), pg. 476-482.

 -Perez P., Trier A., Reyes J., (2000) "Prediction of PM 2.5 concentrations several hours in advance using neural networks in Santiago", Chile, Atm Environ; 34(8): 1189-1196.

 -U.S. Environmental Protection Agency., (2003) "Guidelines for developing an air quality (ozone and PM2.5) Forecasting Program", pp: 16-126.

-Wang W.C., Chau K.w., Cheng Ch.T., Qiu L., (2009) "A comparsion of performance of several artificial intelligence methods for forecasting monthly discharge time series", J hydro; 374 (34): 323-331.

 -Wise, E. K., Comrie, A. C., (2005) "Meteorologically adjusted urban air quality trends

   in the Southwestern United States", Atmospheric Environment, 39(16), 2969-2980.   

 -Yildirim Y., Bayramoglu M., (2006) "Adaptive neuro-fuzzy based modelling for prediction of air pollution daily levels in city of Zonguldak", Chemosphere 2006; 63. 1575–1582.