پیشبینی سری زمانی مقدار ازن تروپوسفری با سازندهای فتوشیمیایی و عوامل هواشناسی

روش‌های متداول اندازه گیری آلاینده‌های هوای دارای خطا، نیازمند فضای نسبتا بزرگ و صرف هزینه‌های بسیار کلان است، در حالی‌که می‌توان با استفاده از روش‌های جدیدی که توانایی یادگیری دارند از این معایب روش‌های معمول کاست. این روش‌ها که پایه ریاضی دارند و با استفاده از برنامه نویسی بنیان شده‌اند، هنوز به آن مرحله نرسیده‌اند که بتوان با اطمینان کامل جایگزین اندازه‌گیری‌های ماشینی شوند. در این مقاله از روش‌های شبکه عصبی مصنوعی و ماشین بردار پشتیبان که در تحقیقات گذشته نتایج قابل قبولی را برای موضوعات دیگر ارائه داده‌اند، استفاده شده است تا مقدار اوزن موجود در هوای سطح شهر تهران را با توجه به هشت پارامتر دیگر هواشناسی و آلاینده‌های معیار هوا، پیشبینی کند. در آخر با مقایسه عملکرد این دو روش با استفاده از دو معیار ارزیابی نتایج، نشان داده می‌شود که مقادیر r و rmse برای ماشین بردار پشتیبان برابر است با 0.8456 و 0.0774 و برای شبکه عصبی مصنوعی 0.8396=r و 0.0914=rmse ، که این نتایج حاکی از برتری روش ماشین بردار پشتیبان نسبت به شبکه عصبی است. البته هر دو روش برای این پیشبینی نتایج کاملاً مطلوب و رضایت بخشی ارائه داده‌اند. همچنین میزان تاثیرگذاری پارامترها بر روی ازن تحلیل شد که کربن منوکسید، دمای هوا و نیتروژن دی اکسید بیشترین تاثیر را بر روی تغییرات ازن داشتند درحالی‌که ذرات معلق هوا و بخصوص ذرات معلق با اندازه کمتر از 2.5 میکرومتر کمترین تاثیر را پیشبینی ازن داشتند..