توسعه مدل پيش بيني غلظت ازن در هوا با استفاده از شبكه عصبي مصنوعي

Developing a model for ozon concentration prediction using artificial neural network

با توجه به مضرات ازن بر سلامت انسان و محيط زيست و افزايش آن در دهه هاي گذشته، بررسي و پيش بيني ميزان آن در هوا از اهميت بالايي برخوردار است. پيش بيني غلظت ازن در هوا مي تواند براي پيشگيري و كنترل توسط مسوولان استفاده شود. در اين مقاله پارامترهاي مهم و تاثيرگذار بر غلظت ازن با استفاده از داده هاي پايش كيفيت هوا ايستگاه هاي آزادي و امام خميني طي سال هاي 2009 تا 2010، بررسي شده است. در اين راستا متغيرهاي هواشناسي شامل رطوبت نسبي، دما، فشار، سرعت و جهت باد با غلظت ازن به كمك همبستگي خطي و تحليل مولفه هاي اصلي تحليل شد. مطالعه همبستگي بين متغير هاي مختلف هواشناسي با غلظت ازن نشان داد كه غلظت ازن تحت تاثير پارامترهاي رطوبت نسبي، دما و سرعت باد است. تاثير پارامترهاي رطوبت نسبي و دما را مي توان با توجه به عملكرد فتوشيميايي و نقش اين فرآيند در توليد ازن توصيف كرد. در حالي كه همبستگي ازن با پارامتر سرعت باد نشان دهنده انتقال ازن از مناطق ديگر است. در ادامه سعي شد از يك شبكه عصبي پرسپترون چندلايه جهت پيش بيني غلظت ازن استفاده شود. ورودي هاي اين شبكه عبارتند از رطوبت نسبي، دما و سرعت باد كه قبلآ تاثير آنها بر غلظت ازن اثبات شده است. نتايج اجراي شبكه عصبي توسعه داده شده در ايستگاه هاي ميدان آزادي و امام خميني در تهران نشان داد كه مدل طراحي شده ميزان غلظت ازن را با دقت 67 تا 97 درصد در 24 ساعت آينده تخمين مي زند. نتايج اين تحقيق و مدل توسعه داده شده مي تواند براي مديريت بهتر آلودگي هوا و كنترل غلظت ازن توسط مديران شهري مورد استفاده قرار گيرد.

Ozone concentration in metropolitan areas frequently exceed regulatory standards now. Since it is harmful on human health and environment, its modeling and visualization are of vital important. Modeling and prediction of ozone is required by urban managers to control and prevent its effects. In this paper, important parameters influencing the hourly ozone concentration are estimated by using data collected in Azadi and Imam Khomeini air quality stations in 2009-2010. In this context, the correlations between ozone concentration and meteorological parameters such as relative humidity, temperature, pressure, wind speed, and its directions are determined by linear regression and principle component analysis. Results showed that ozone concentration is mostly affected by relative humidity, temperature and wind speed. The effects of relative humidity and temperature on ozone concentration are attributed to photochemical processes. While the correlation between the ozone and wind speed is due to the ozone transfer from nearby regions. After determining the important parameters, a neural network was used for forecasting of ozone concentration of the next 24 hours for a week in four different seasons. The input to the neural network model was relative humidity, temperature and wind speed. Results of the implementation showed that the model can predict the ozone concentration in Azadi and Imam Khomeini air quality stations by an accuracy of 67 to 97 percent for the next 24 hours. Urban managers for more efficient management and control of the ozone concentration can use results of this research work.