ارائه يك چارچوب جهت پيش‌بيني غلظت آلاينده‌هاي هوا با استفاده از داده‌هاي سنجش‌ازدور مبتني بر شبكه عصبي مصنوعي- موجكي در كلانشهر تهران

در كشورهاي درحال‌توسعه، اكثر شهرهاي بزرگ به طور فزاينده‌اي با آلودگي هوا به‌عنوان عاملي تأثيرگذار بر كيفيت زندگي و سلامت عمومي جامعه مواجه هستند. ناحيه كلان‌شهري تهران نيز به‌واسطه تراكم جمعيتي بالا يكي از مناطق مهم در ايران محسوب مي‌گردد. صنايع آلاينده به همراه استفاده از وسايل نقليه از جمله مهم‌ترين عواملي محسوب مي‌گردد كه موجب شده است تا اين شهر به‌عنوان آلوده‌ترين كلان‌شهر كشور محسوب گرديده و متعاقباً لازم است تا در جهت كاهش آلودگي هوا در اين شهر برنامه‌ريزي مؤثري انجام شود. يكي از مهم‌ترين اقدامات در زمينه كاهش آلودگي هوا، پيش‌بيني مقادير غلظت آلاينده‌ها مي‌باشد كه مي‌تواند تصميم‌گيري و برنامه‌ريزي و ارائه راهكارهاي مناسب را بهبود بخشد. ازآنجايي‌كه نياز به روش‌هاي دقيق‌تر براي پيش‌بيني آلاينده‌هاي هوا جهت مديريت بهتر اين مقوله وجود دارد، به نظر مي‌رسد استفاده از روش‌هاي تركيبي جهت مدل‌سازي آلاينده‌ها مي‌تواند حركتي مهم در اين راستا باشد. در اين پژوهش، پارامترهاي تأثيرگذار بر غلظت آلاينده‌ها در قالب ۴ دسته عوامل ترافيكي، غلظت آلاينده‌ها در روزهاي قبلي، داده‌هاي هواشناسي و عوامل مكاني به‌عنوان ورودي مدل‌ها مورداستفاده قرار گرفتند و ماكزيمم غلظت آلاينده‌ها در هر روز به‌عنوان خروجي مدل در نظر گرفته شد. هدف اين پژوهش بررسي عملكرد روش‌هاي انتخاب ويژگي جنگل تصادفي و تبديل موجك در تركيب با روش‌هاي رگرسيون چندمتغيره و شبكه عصبي مصنوعي پرسپترون چندلايه، جهت دستيابي به مدلي كارا به‌منظور پيش‌بيني آلاينده‌هاي منو اكسيد كربن، دي‌اكسيد نيتروژن، دي‌اكسيد گوگرد و PM2.5 مي‌باشد. نتايج به‌دست‌آمده نشان داد كه مدل‌سازي همه آلاينده‌ها با استفاده از شبكه عصبي پرسپترون چندلايه در تركيب با روش تبديل موجك صحت بالاتري را نسبت به مدل‌هاي ديگر ارائه مي‌نمايد. همچنين صحت پيش‌بيني آلاينده منو اكسيد كربن (خطاي استاندارد برابر با 19.8 درصد) نسبت به آلاينده‌هاي ديگر پايين‌تر بود درحالي‌كه صحت پيش‌بيني آلاينده PM2.5 (خطاي استاندارد برابر با 17.0 درصد) بالاتر از ساير آلاينده‌ها بود. علاوه بر اين، باتوجه‌به پارامترهاي انتخاب شده توسط روش انتخاب ويژگي با استفاده از جنگل تصادفي، پارامترهاي غلظت آلاينده ها در روزهاي قبل از اهميت بالايي به منظور پيش‌بيني آلاينده‌هاي مختلف برخوردارند.