پیش بینی آلودگی pm10 هوای شهر مشهد با استفاده از شبکه های عصبی مصنوعی mlp و مدل زنجیره مارکف

مدیریت ذرات معلق یکی از موارد مهم در کنترل آلودگی شهرها محسوب می شود. این ذرات باعث ایجاد و توسعه بیماری های قلبی و تنفسی مختلف در افراد می گردد. شهر مشهد به عنوان یکی از شهرهای اصلی و پرجمعیت ایران با توجه به شرایط اقلیمی و همچنین توریستی بودن، بیش از هر چیزی در معرض خطر این نوع آلودگی قرار دارد. در این تحقیق سعی شده با استفاده از مدل های پرسپترون شبکه های عصبی مصنوعی و مدل زنجیره مارکوف غلظت pm10 پیش بینی و تحلیل گردد. برای این منظور از داده های ساعتی co، so2، pm2.5 و دما برای دو ماه فروردین و اردیبهشت در سال 1394 استفاده شد. از مجموع 1488 سری داده، 1300 داده برای آموزش شبکه و 188 داده جهت صحت سنجی استفاده گردید. نتایج نشان دهنده عملکرد مطلوب این روش ها در پیش بینی میزان آلاینده و همچنین احتمال وقوع ساعات با کیفیت های مختلف آلودگی بود. بهترین مدل پرسپترون میزان آلاینده ذرات معلق را با ضریب همبستگی 0.88، شاخص تطابق 0.91، میانگین بایاس خطای 0.0874 و جذر میانگین مربعات خطای 2.26 پیش بینی نمود، همچنین مدل مارکوف با خطای مطلق متوسط حدود 0.1 درصد احتمالات انتقال وضعیت و تداوم وضعیت های مختلف آلودگی هوای ناشی از ذرات معلق را پیش بینی نمود.

PM10 AIR POLLUTION IN MASHAD CITY USING ARTIFICIAL NEURAL NETWORK AND MAKOV CHAIN MODEL

Suspended particles management is one of the important issues in controlling the air pollution of cities. These particles cause and develop heart and respiratory diseases in people. Mashhad is considered as one of the main and populous cities of Iran. Because of its climatic conditions and its tourism, the city is at the highest risk of this type of pollution. We attempted to use the multilayer perceptron (MLP) artificial neural network and a Markov chain model to predict PM10 concentrations the city. We applied hourly data of CO, SO2, PM2.5 and temperature in late March and April 2015. Out of 1488 data series, 1300 data were used for network training and 188 data were used for validation. The results indicated the optimal performance of these methods in predicting of the amount of pollutants and also the probability of occurrence of hours with different quality of contamination. The best MLP artificial neural network model predicted the amount of pollutant particles with a coefficient of determination (R2) 0.88, index of agreement of 0.91 and a mean square error of 2.26. Also, the Markov model with average absolute error predicted about 0.1 percent of the probability of transferring the condition and the continuation of different states of air pollution caused by suspended particles.