بهينه سازي متغيرهاي هواشناسي به منظور پيش بيني غلظت الاينده هاي هوا به منظور كاهش هزينه و زمان محاسبات در مدل شبكه عصبي مصنوعي

شهر كرمانشاه به دليل وجود صنايع، ترافيك و توفان‌هاي گرد و غبار يكي از شهرهاي آلوده كشور است. در اين پژوهش پنج آلاينده PM10، CO، O3، NO2، SO2 با استفاده از شبكه عصبي پرسپترون چند لايه براي دو بازه‌ي زماني امروز و فردا پيش‌بيني شدند. داده‌هاي مستقل شامل هفت كميت‌ هواشناسي دما، رطوبت ‌نسبي، ميزان ديد، سرعت ‌باد، نقطه شبنم، فشار، و بارش است. آزمون هم‌خطي و تكنيك انتخاب پيشرو براي حذف متغير‌هاي ورودي اضافي و ايجاد زير مجموعه‌اي از متغيرهاي اثر گذار در پيش‌بيني استفاده شد. مدل بهينه با استفاده از شاخص‌هايRMSE , ,NMSE IOA, R2 و FB براي هر آلاينده انتخاب گرديد. نتايج نشان مي‌دهد كه مدل 2 با تعداد 6 كميت مستقل براي پيش‌بيني غلظت آلاينده منوكسيد كربن و دي اكسيد نيتروژن مدلي بهينه است و براي پيش‌بيني آلاينده ازن مدل 5 با تعداد 3 كميت ورودي مدل مطلوبي مي‌باشد همچنين براي پيش بيني دي اكسيد گوگرد مدل 6 با دو متغير ورودي و براي پيش‌بيني ذرات معلق (PM10) مدل 4 با 4 متغير ورودي مناسبترين مدل بوده‌اند. نتايج اين پژوهش نشان مي‌دهد كه استفاده از تكنيك انتخاب پيشرو براي بهينه سازي تعداد متغيرها سبب افزايش دقت و كاهش هزينه‌هاي پيش‌بيني خواهد شد.