استفاده از شبكه بازگشتي NAR براي پيش بيني غلظت مونوكسيد كربن

زمینه و هدف: آلودگی هوا یكی از مشكلات مهم شهر‌های بزرگ محسوب می‌شود. یكی از اهداف مسئولین شهری آگاهی از میزان كیفیت هوا در آینده است؛ برای پیشبینی كیفیت هوا، باید غلظت هریك از آلاینده‌ها مدلسازی شده و با استفاده از مدل ایجاد شده، نسبت به پیشبینی مقادیر هریك از آلاینده‌ها اقدام شود. با توجه به اینكه مونوكسید كربن یكی از آلاینده‌های مهم هوا است، و تاثیرات زیانباری بر سلامت انسان دارد. روش بررسی: در این مقاله به مدلسازی و پیشبینی 24 ساعته غلظت مونوكسید كربن با استفاده از شبكه‌های عصبی بازگشتی NAR و مدل آماری ARMA پرداخته شده و سپس نتایج این دو روش با یكدیگر مقایسه شده است. برای این منظور از داده‌های سال 2009 از 29 نوامبر تا 31 دسامبر، مربوط به غلظت آلاینده مونوكسیدكربن اندازه‌گیری شده در ایستگاه آزادی از ایستگاه‌های پایش كیفیت هوا متعلق به سازمان محیط زیست استان تهران استفاده شده است. یافته‌ها: نتایج مدلسازی نشان می‌دهد كه شبكه عصبی NAR دارای دقت بهتری نسبت به روش ARMA برای پیشبینی و مدلسازی غلظت مونوكسید كربن است. شبكه عصبی NAR با MSE كمتر از 6/1 دقت مناسبی در پیشبینی غلظت آلاینده مونوكسید كربن داشت. همچنین همبستگی بین مقادیر پیشبینی شده و مقادیر واقعی برای شبكه عصبی NAR، 84 درصد می‌باشد. در حالی كه مدل ARMA دارای MSE برابر 46/5 و ضریب همبستگی 72 درصد می باشد. نتیجه‌گیری: می‌توان نتایج پیشبینی را جهت آگاه‌سازی عمومی در اینترنت و شبكه‌های جمعی منتشر كرد. همچنین نتایج مدلسازی و پیشبینی می‌تواند برای مدیریت بهتر آلودگی هوا توسط مدیران مورد استفاده قرار گیرد. نتایج این تحقیق نشان می‌دهد كه شبكه عصبی NAR قابلیت بسیار بالایی در پیشبینی سری زمانی غاظت مونوكسیدكربن دارد.