پیش‌بینی غلظت pm2.5 با استفاده از روش ترکیبی تجزیه ی و شبکه عصبی

زمینه و هدف: یکی از شاخص های مهم در بحث کیفیت هوا، غلظت ذرات معلق pm2.5 می باشد. بدین منظور در این پژوهش از مدل ترکیبی تبدیل موجک گسسته حداکثر هم پوشانی-تجزیه مد متغیر–شبکه عصبی پس انتشار (modwt-vmd-bpnn) بر پایه تکنیک تجزیه دو مرحله‌ای برای پیش‌بینی ذرات‌معلق pm2.5 شهر ارومیه استفاده شده است. مواد و روش ها: سری داده‌های اصلی ذرات معلق pm2.5 ابتدا توسط مدل تبدیل موجک گسسته حداکثر هم پوشانی به دوسطح جزئیات با فرکانس بالا (d1 و d2) و یک سطح تقریب با فرکانس پایین (a2) تجزیه و در مرحله دوم هر کدام از سطوح جزئیات و سطح تقریب توسط مدل تجزیه مد متغیر به 8 مود متغیر تجزیه شد. سپس هر کدام از مدهای متغیر توسط شبکه عصبی پس انتشار مدلسازی و پیش بینی شدند. یافته ها: بر اساس نتایج مدل های ترکیبی (modwt-bpnn) و (vmd- bpnn) نسبت به مدل تکی شبکه عصبی پس انتشار (bpnn) عملکرد بهتری داشته اند. و در بین مدل های ترکیبی مدل (modwt-bpnn) به دلیل تحلیل سیگنال هایی دارای تغییرات ناگهانی و ناپیوستگی موضعی به وسیله ی موجک ها عملکرد بهتری نسبت به مدل (vmd-bpnn) دارد. مدل ترکیبی تجزیه دو مرحله ای ((modwt-vmd-bpnn نسبت به دیگر مدل های تجزیه ای تک مرحله ای و مدل تکی شبکه عصبی پس انتشار با مقادیر معیارهای ارزیابی خطا شامل 2/8582= rmse=3/8074 mae و آماره 0/92 = r در مرحله آموزش و 2/1840 = rmse = 2/7679  mae و آماره 0/80= r در مرحله آزمون، عملکرد بهتری داشته است.نتیجه گیری: مدل های تجزیه ای دو مرحله ای با تجزیه سطح جزئیات و سطح تقریب به 8 مود می تواند مشکل آمیختگی مدها را حل کند و پیش بینی میزان غلظت pm2.5 را با دقت بهتری انجام دهد لذا این مدل می تواند برای پیش بینی آلاینده های جوی به کار گرفته شود.

pm2.5 concentration forecasting using decomposition method and artificial neural network

background and purpose: one of the key indicators in discussions about air quality is the concentration of pm2.5 particulate matter. this research employs a combined model that utilizes the maximum overlap discrete wavelet transform, variational mode decomposition, and backpropagation neural network (modwt-vmd-bpnn). this two-stage decomposition technique aims to predict pm2.5 levels in the city of urmia.material and methods: data on air quality in urmia city, including levels of particulate matter (pm10 and pm2.5), carbon dioxide (co2), sulfur dioxide (so2), nitrogen dioxide (no2), and nitrogen monoxide (no), were obtained from the general directorate of environmental protection for the years 2019 to 2023. meteorological data were sourced from the general directorate of meteorology of west azerbaijan province. in the first stage of the analysis, the original pm2.5 data series was decomposed into two high-frequency detail levels (d1 and d2) and one low-frequency approximation level (a2) using the maximum overlap discrete wavelet transform (modwt) model. in the second stage, each of these detail and approximation levels was further decomposed into eight variable modes using the variable mode decomposition (vmd) model. subsequently, each variable mode was simulated and predicted using a backpropagation neural network (bpnn). to evaluate the accuracy and performance of the proposed model, it was compared with the modwt-bpnn, vmd-bpnn, and standard bpnn models.results: after reviewing the results, the modwt-vmd-bpnn model achieved r=0.92, rmse=3.8074, and mae=2.8582 during training, and r=0.80, rmse=2.7679, and mae=2.1840 during testing, demonstrating superior accuracy and performance compared to the other models.conclusion: the two-stage decomposition models tackle mode mixing effectively and enhance the extraction and prediction of multiple frequencies in pm2.5 data with greater precision.