مقايسه دقت مدل رگرسيون بردار پشتيبان با دو روش رايج شبكه‌ عصبي مصنوعي و شبكه عصبي فازي- تطبيقي در پيش بيني غلظت آلاينده PM10

Comparison of the accuracy of the support vector regression model with two common methods of artificial neural network and adaptive neuro-fuzzy inference system in predicting the pollutant concentration of the PM10

شهر يزد واقع در مركز ايران مي باشد كه در اكثر ايام سال طوفان هاي گرد و غبار را تجربه مي كند، و همچنين طي دو دهه گذشته شاهد رشد سريع صنعتي بخصوص در صنايع با توان غبار زايي بالا (كاشي، فولاد و ..) بوده است، لذا پيش بيني غلظت آلاينده ذرات از طريق بكارگيري سيستم هاي پيش آگاهي دقيق در زمان طوفان هاي گرد و غبار و آلودگي هاي صنعتي براي حفظ بهداشت و سلامت شهروندان بسيار حياتي است. در اين مطالعه بطور همزمان از مدل شبكه عصبي فازي تطبيقي (ANFIS)، رگرسيون بردار پشتيبان (SVR) و شبكه‌ عصبي مصنوعي (ANN) در پيش بيني ميزان غلظت آلاينده PM10 براي 24 ساعت آينده و معرفي دقيق ترين روش استفاده شد. به همين منظور داده هاي PM10 شهر يزد به همراه پارامتر هواشناسي شهر در بازه زماني سال هاي 1394 تا 1398 مورد استفاده قرار گرفت. نتايج اين تحقيق نشان داد كه مدل ANFIS با (R2=0.989) و دقتي در حدود 99 درصدي بهتر از ساير مدل ها در اين حالت است و بعد از آن به ترتيب مدل ANN با (R2=0.978) و SVR با (R2=0.957) داراي بهترين دقت بودند. بنابراين مي توان گفت، با توجه به صحت مدل ، از اين مدل مي توان براي پيش بيني غلظت آلاينده PM10 استفاده كرد و اين امر مي تواند مسئولين را در تصميم گيري هاي به موقع در جهت حفظ سلامت عمومي قبل از شروع وضعيت هشدار غلظت آلاينده PM10 كمك كند.

The city of Yazd has located in central of Iran that experiences dust storms most of the year, and also has witnessed rapid industrial growth, especially in industries with high dust generation capacity (tiles, steel, etc.) during the last two decades. Therefore, predicting the concentration of particulate pollutants during dust storms and industrial pollution through the use of accurate warning systems is critical to maintaining the health of citizens. In this study, an Adaptive Neuro-Fuzzy Inference System (ANFIS), Support Vector Regression (SVR), and Artificial Neural Network (ANN) models were used at the same time to predict the concentration of PM10 for the next 24 hours and to introduce the most accurate method. For this purpose, were used PM10 data, meteorological parameters, and gas pollutant concentrations of Yazd city from 2015 to 2019 years. The results of this study showed that the ANFIS model with (R2 = 0.989) and accuracy of about 99% were better than other models, followed by the ANN model with (R2 = 0.978) and the SVR model with (R2 = 0.957) had the best accuracy, respectively. Finally, data analysis showed that at the operational scale, city managers can make appropriate and timely decisions based on high-precision predictive models, maintain public health before the start of the PM10 alert status.