اثر پوشش گیاهی شهری در کاهش آلودگی صوتی با استفاده از شبکه عصبی مصنوعی

آﻟﻮدﮔﯽ ﺻﻮﺗﯽ، از ﻣﻌﯿﺎرهای مهم برای تعیین کیفیت زندگی در شهرها محسوب می‌شود و رفاه اجتماعی را تحت تاثیر خود قرار می‌دهد. در این راستا پوشش گیاهی و فضای سبز نقش بسیار موثری در کنترل و کاهش آلودگی شهرها دارند. ارزیابی و مدل ساختار و ترکیب موثر پوشش گیاهی در کنترل آلودگی صوتی در شهرها همچنان با محدودیت بسیاری در مطالعات روبرو است به طوری که هدف اصلی این پژوهش قرار گرفته است. نمونه‌گیری شدت صوت در 100 ایستگاه در بوستان‌ها و معابر مناطق 2 و 5 شهر تهران انجام شد. جهت مدل‌سازی میزان کاهش شدت صوت (leq) در دیوار صوتی گیاهی از روش مدل‌سازی شبکه عصبی مصنوعی و با استفاده از 9 متغیر پوشش گیاهی انجام شده است. با توجه به نتایج، مدل به دست آمده با ساختار 1-24-9 (9 متغیر ورودی، 24 نورون در لایه مخفی و یک متغیر خروجی) با توجه به بیشترین مقدار ضریب تبیین در سه دسته داده آموزش، اعتبارسنجی و آزمون معادل 0.98، 0.92 و 0.9، بهترین عملکرد بهینه‌سازی ساختار را نشان می‌دهد. بر اساس نتایج آنالیز حساسیت مدل، عرض دیوار، میانگین ارتفاع درختان، و میانگین قطر تاج درختچه‌ها با ضریب اثرگذاری 0.72، 0.44و 0.15، به ترتیب بیشترین تاثیر را در کاهش شدت صوت در دیوارهای صوتی گیاهی شهری از خود نشان می‌دهند مدل ارائه شده در این پژوهش به عنوان یک سیستم پشتیبان تصمیم‌گیری در طراحی مهندسی دیوارهای صوتی گیاهی در شهرها شناخته شده است به طوریکه امکان پیش‌بینی راندمان این دیوارها را با توجه به متغیرهای ساختاری آنها به خوبی فراهم می‌کند.

The impact of urban vegetation cover in noise pollution reduction using artificial neural network

Noise pollution is an important factor in determining the quality of life in cities and affects social welfare. In this regard, vegetation and green space have an effective role in controlling and reducing urban pollution. Evaluation and modeling of the effective structure and composition of vegetation to control noise pollution in cities reveals the limitation in studies so it has been chosen as the main goal of this research. Noise intensity sampling was performed at 100 stations in parks and passages in urban districts 1 and 2 of Tehran. In order to model the amount of noise reduction (Leq) in the vegetation acoustic wall, artificial neural network modeling was performed using 9 vegetation variables. According to the results, the model with 9242 structure (9 input variables, 24 neurons in the hidden layer and one output variable) with respect to the highest value of coefficient of determination in the three categories of training data, validation and test equal to 0.98, 0.92 0 and 0.9 reveals the best structure optimization performance. Based on the results of model sensitivity analysis, wall width, the mean height of trees, and the mean diameter of canopy with the coefficients of 0.72, 0.44 and 0.15, respectively, were the most effective in reducing the noise intensity in the plant acoustic walls, respectively. The model presented in this study is known as a decision support system in design of vegetation acoustic walls in cities and enables the prediction of the efficiency of these walls with respect to structural variables.