عملکرد مدل شبکه عصبی مصنوعی و شبکه عصبی فازی تطبیقی در تخمین غلظت ذرات معلق در هوای شهر تهران

Document Type: Research Paper

Authors

دانشگاه تربیت مدرس، نور

Abstract

 در سالهای اخیر رشد روز افزون جمعیت ، وسایل نقلیه و کارخانه‌ها باعث افزایش آلودگی هوا و ایجاد مشکلات زیادی برای محیط زیست بشر و سلامتی انسان شده است. یکی از مهمترین آلاینده‌ها، ذرات‌معلق می‌باشد که سبب بروز مشکلات تنفسی و قلبی در انسان می‌شود. هدف از این مطالعه مقایسه مدل‌های شبکه‌عصبی‌مصنوعی و شبکه‌عصبی‌فازی-تطبیقی در تخمین غلظت ذرات معلق در شهر تهران می‌باشد. در این تحقیق از داده‌های هواشناسی مقدار دما، میزان بارش و سرعت باد و داده‌های غلظت ذرات‌معلق در سال‌های 1389و1390 استفاده شد. موثر‌ترین متغیرهای هواشناسی با استفاده از رگرسیون گام‌به‌گام انتخاب شدند. سپس با استفاده از مدل‌های شبکه عصبی مصنوعی و شبکه عصبی فازی- تطبیقی به تخمین غلظت ذرات‌معلق پرداخته شد. نتایج نشان می‌دهند که شبکه‌عصبی‌مصنوعی در ایستگاه گلبرگ با مقدار ریشه میانگین مربعات خطا 044/0 و ضریب همبستگی 22/0 نسبت به شبکه عصبی فازی- تطبیقی با مقدار ریشه میانگین مربعات خطا، 046/0 و ضریب همبستگی 26/0 در مرحله آزمون توانسته با دقت بالاتری غلظت ذرات‌معلق را تخمین بزند. همچنین در ایستگاه گلبرگ دما، در ایستگاه پونک و فتح سرعت باد و در ایستگاه شهرداری منطقه 16 بارش اثر‌گذارترین متغیر‌ها بر غلظت ذرات معلق می‌باشند. نتایج نشان می‌دهند که مدل شبکه‌عصبی‌مصنوعی دارای دقت بالاتری در تخمین غلظت ذرات‌معلق نسبت به شبکه عصبی فازی- تطبیقی می‌باشد. بر طبق آزمون آنالیز حساسیت در ایستگاه گلبرگ متغیر مقدار دما، در ایستگاه پونک و فتح سرعت باد و در ایستگاه شهرداری 16 متغیر بارش اثر‌گذارترین متغیر‌ها بر غلظت ذرات معلق می‌باشند.

-Aliakbari Bidokhti A.A. (2009) "Meteorological conditions of the atmosphere above and Air pollution and acute conditions (Case study of Tehran)", J Environ Stu, 35(52): 1-14 (Persian).

 - Aqil M., Kita I., Yano A. and Nishiyama, S. A (2007) "Comparative study of artificial neural networks and neuro-fuzzy in continuous modeling of the daily and hourly behaviour of runoff",  J Hydro, 337, 22-34 pp.

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

 - Davor Z. Antanasijevic, Viktor V. Pocajt, Dragan S. Povrenovic, Mirjana D. Ristic, Aleksandra A. Peric-Grujic. (2013) " PM10 emission forecasting using artificial neural networks and genetic algorithm input variable optimization", Sci Total Environ 443: 511–519 pp.

 -Farokhnia A., Morid S. (2009) "Uncertainty Analysis of Artificial Neural Networks and Neuro-Fuzzy Models in River Flow Forecasting", Water Resources, 5(3): 14-27 (Full Text in Persian).

 - Ejtehadi M. (2007) "Investigate the urban air

 pollution resulting from Samaneh Land transport with emphasis on suspended particles and offering management solutions(Case Studies, Tehran)", Nat Con Health.

 - Firat, M. and Gungor, M. (2007) "River flow estimation using adaptive neuro fuzzy inference system", Math & Comp Simul, 75, 87–96.

 -Jang, J. S. R. and Gulley, N. (1995) "The Fuzzy Logic Toolbox for Use with MATLAB", The Mathworks Inc, Natick, MA.

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

 -Jamshidi A., Karimzade K., Shirazi A. (2007) "Particulate contamination of the air Ghachsaran, Armaghan danesh", 5(3): 90-97 (Full Text in Persian).

 -Ian G. McKendry. (2002) "Evaluation of Artificial Neural Networks for  ine Particulate Pollution (PM10 and PM2.5) Forecasting", Air & Waste Manage, Assoc, 52:1096-1101.

 - Kurepazan A. (2005) "Principles of Fuzzy Set Theory and Its Applications", Jahad Collegiate.

 -M. Kolehmainen, H. Martikainen, J. Ruuskanen. (2001) "Neural networks and periodic components used in air quality forecasting",  Atm Environ, 35: 815-825.

 - Nayak, P. C., Sudheer, K. P., Rangan, D. M. and

Ramasastri, K. S. (2004) "A neuro-fuzzy

 computing technique for modeling hydrological time series" J Hydro, 291, 52-66 pp.

 -Nayak, P. C., Sudheer, K. P, Rangan, D. M, and Ramasastri, K. S. (2005) "Short-term flood forecasting with a neurofuzzy model", Water Reso Res, 41, 2517-2530 pp.

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

 - Sanchez Ccoyllo O., de Fatima Andrade M. (2002) "The influence of meteorological conditions on the behavior of pollutants concentrations in Sao Paulo", Brazil, Environ Pollu., 116(2): 257-263.

 - Sharipoor Z. (2009) " Seasonal and daily variations in air pollution and its relationship with meteorological parameters", J Ear and Sp Ph, 35(2): 119-137 (Persian).

 - Smaili S.A. (2002) "Pollution, Health & Environmental Standards, Naghshmehr.

 - Vafakhah M., Mahdavi M., Alavipanah S.K. (2011) "Simulation of the snowmelt runoff in the basin using ANN and Nrvfazy Taleghan", Watershed ManageSci & Eng., 5(14).

 - Wark K., Warner C.F. (1998) "Air pollution, its origin-control", Addsion Westey, New York, 526 p.

 -Zadeh, Lotfi A. (1965) "Fuzzy sets", Information and control 8.3: 338-353 pp.