پيش بيني غلظت آلاينده هاي هواي تهران بر اساس متغيرهاي هواشناسي با استفاده از شبكه عصبي مصنوعي و رگرسيون خطي در فصول گرم و سرد

Prediction of Air Pollutants Concentration Based on Meteorological Factors in Warm and Cold Season by Artificial Neural Network and Linear Regression, Case Study: Tehran

تهران آلوده‌ترين شهر كشور محسوب مي‌شود كه اين آلودگي مي‌تواند آثار دراز مدت و كوتاه مدتي بر سلامت انسان داشته باشد. از اين‌رو پيش‌بيني غلظت آلاينده‌ها مي‌تواند در برنامه‌ريزي‌هاي پيشگيري و كنترل مفيد واقع شود. روشهاي متفاوتي براي پيش‌بيني وجود دارد و دراين ميان سالها، روش‌هاي شبكه‌ي عصبي پيشرفت قابل توجهي در پيش‌بيني آلودگي هوا داشته است. در اين مطالعه، از شبكه‌ي عصبي مصنوعي پرسپترون سه‌لايه به‌منظور پيش‌بيني غلظت آلاينده‌هاي PM10، CO و شاخص كيفيت هوا (AQI) در هواي شهر تهران استفاده شد. داده‌هاي غلظت آلاينده‌ها از اداره‌ي كنترل كيفيت هواي تهران جمع‌آوري شد و داده‌هاي هواشناسي از اداره‌‌ي كل سازمان هواشناسي كشور طي سال‌هاي 1392 و 1393 جمع‌آوري شد. بيشترين ضريب همبستگي (R2) براي آلاينده PM10 با مقدار 0.83 در فصول گرم بود و بيشترين ضريب همبستگي آلاينده CO مربوط به فصول سرد بود (R2=0.74). در نهايت بيشترين ضريب همبستگي AQI در فصل سرد (R2=0.57) بود. در مدل رگرسيون خطي بيشترين ضريب همبستگي با مقدار 0.58 براي آلاينده PM10 در فصول گرم بود. بيشترين ضريب همبستگي در اين مدل براي آلاينده CO با مقدار 0.33 در فصل سرد بود. درنهايت بيشترين ضريب همبستگي AOI (R2=0.31) در فصل گرم بود. اين به اين معني است كه با تغييرات متغيرهاي هواشناسي، غلظت CO و ذرات معلق و مقادير شاخص AQI تغيير مي‌كند به گونه‌اي كه افزايش باد باعث پراكنش آلاينده و كاهش غلظت آن مي‌شود و افزايش درجه حرارت باعث افزايش غلظت آلاينده مي‌شود. بنابراين بين آنها ارتباط وجود دارد.

Tehran is the most polluted city in the country, which can have long-term and short-term effects on human health. Therefore, predicting the concentration of pollutants can be useful in prevention and control planning. There are different methods for predicting, and over the years, neural network methods have made significant progress in predicting pollution. In this study, an artificial neural network of three-layer perceptron was used to predict the concentrations of PM10, CO and air quality index (AQI) in air in Tehran. The concentrations of pollutants were collected from the Tehran Air Quality Control Department and the weather data collected from the Office of the Iranian Meteorological Organization during 2013 and 2015. The highest correlation coefficient (R2) for PM10 pollutant was 0.83 in warm seasons and the highest CO emission factor correlated with cold seasons (R2 = 0.74). Finally, the highest correlation coefficient of AQI was in cold season (R2 = 0.57). In linear regression model, the highest correlation coefficient with 0.58 for PM10 pollutant was in hot seasons. The highest correlation coefficient in this model was for the CO pollutant (0.33) in the cold season. Finally, the highest correlation coefficient was AOI (R2 = 0.31) in the warm season.