امكانسنجي امكان پيش بيني غلظت ذرات معلق با استفاده از شبكه عصبي ( مطالعه موردي: شهر تبريز)

Evaluation possibility of Particular Matter prediction by using Neural Network

ذرات معلق يكي از آلاينده‌ها ي مهم هوا است ، كه بر سلامتي انسان تاثيرات منفي دارد. بديهي است تخمين و پيش‌بيني غلظت اين ذرات مهم است. در اين تحقيق با استفاده از مقايسه شبكه عصبي مصنوعي پيش‌خور پس‌انتشار و شبكه عصبي مصنوعي بازگشتي(NAR,NARX) و فازي تطبيقي(ANFIS) به تخمين ذرات معلق شهر تبريز پرداخته شده است. در اين تحقيق داده‌هاي هواشناسي و داده‌هاي كيفيت هوا طي سال‌هاي 1392تا 1396 مورد استفاده قرار گرفت. تخمين غلظت ذرات معلق با توجه به ميزان بارش، سرعت باد، مقدار دما در هر مدل و نتايج مقايسه گرديد. همچنين از داده‌هاي غلظت ذرات معلق 5/2 ميكرومتر درايستگاه سنجش كيفيت هواي باغشمال تبريز استفاده شد. 50 درصد داده‌ها براي صحت سنجي و آزمون واز 50درصد داده‌ها در روند آموزش استفاده شد. با توجه به نتايج ، در حالت ايستا و بدون تغييرات فصلي شبكه عصبي NARX با ضريب همبستگي (R) 9995/0 و كمترين خطاي ميانگين مربعات (MSE) يعني005/0 بهينه ترين مدل اين تحقيق شد.مقايسه نتايج مدل‌سازي با داده‌هاي واقعي نشان داد كه بهترين پيش‌بيني متعلق به شبكه عصبي پيشخور پس‌انتشار است كه با خطاي 0007/0 نسبت به داده نرمال شده ، بهترين دقت را دارد و بعد از آن به ترتيب شبكه عصبي NARX و NAR و نهايتا شبكه فازي تطبيقي قرار دارند.

Particular matters are one of the important air pollutants that have direct effects on human health. In this research, by comparing, feed forward ANN and NARX has been estimated particular matter of Tabriz city. metrology data and air quality data from 2013 to 2017 has been used. Particulate matter estimated by considering temperature, wind speed and rain precipitation in each model and the results compared. Also PM2.5 data form BaghShomal air quality station in Tabriz has been used. 50 present of data used for testing and validation and the rest of data used for training network The results showed that best state estimating with seasonal effect belong to feed forward ANN train with amounts of R=0.85, MSE=0.057and without seasonal effect belong to NARX with amounts of R=0.999, MSE=0.005. Modeling results with real data showed that best results belongs to feed forward ANN with 0.0007 error.