پیش‌بینی کوتاه مدت غلظت گاز مونو اکسید کربن در هوای شهر اهواز با استفاده از تحلیل شبکه‌های عصبی مصنوعی

آلودگی هوای شهر‌ها یکی از مهمترین معضلات محیط زیستی بوده که همواره تهدیدی دایم و جدی برای سلامت و بهداشت جامعه و همچنین محیط زیست می‌باشد. از مهمترین آلاینده‌های هوا می‌توان به اکسیدهای نیتروژن به خصوص دی اکسیدنیتروژن، اکسید‌های سولفور به ویژه دی اکسیدسولفور، هیدروکربن‌ها، منواکسیدکربن (co)، دی اکسیدکربن و ذرات معلق اشاره کرد.کلان شهر اهواز یکی از آلوده‌ترین شهر‌های ایران می‌باشد که مدیریت زیست محیطی به ویژه در زمینه آلودگی هوا بسیار با اهمیت می‌باشد. هدف از این پژوهش پیش‌بینی غلظت آلاینده co در هفت روز ابتدای سال 1395 در شهر اهواز می‌باشد. بر اساس مطالعات پیشین، متغیر‌های هواشناسی شامل دمای هوا، رطوبت هوا و سرعت باد به عنوان متغیر‌های ورودی موثر در شبکه برای پیش‌بینی غلظت گاز co انتخاب شدند. غلظت گاز co در سال 1394 از طریق سازمان حفاظت محیط زیست شهر اهواز تهیه شد. به منظور توسعه شبکه عصبی پرسپترون چندلایه (mlp) از نرم‌افزار neuro solution5 استفاده گردید. به منظور ایجاد شبکه عصبی، 70 درصد از داده‌ها برای آموزش (واسنجی)، 15 درصد برای تست و 15 درصد باقیمانده برای آزمون صحت سنجی نتایج حاصل از شبکه مورد استفاده قرار گرفت. به منظور تعین بهترین ساختار شبکه mlp برای پیش‌بینی کوتاه مدت غلظت گاز co ساختارهای مختلف از لحاظ تعداد لایه‌های میانی، نوع الگوریتم آموزش شبکه، نوع تابع انتقال، تعداد نرون‌های لایه میانی و تعداد تکرار‌های آموزش در نظر گرفته شد. نتایج نشان داد که شبکه mlp با ساختار 1-5-3 (یعنی 3 نرون ورودی، 5 نرون در لایه میانی و یک نرون برای لایه خروجی) با 1500 تکرار آموزش به ازای تابع انتقال تانزانت سیگموئید (tansig) و الگوریتم آموزش کاهش گرادیان همراه با مومنتم (traingdm)، بهترین شبکه mlp می‌باشد. علاوه بر این، مقادیر شاخص‌های آماری nse، rmse و mae به ازای مرحله آموزش شبکه به ترتیب برابر با 0.72 ، 0.22 و 0.15 می‌باشد. آلودگی هوا، چالش اصلی زیست محیطی در اهواز، از ترکیب ترافیک و صنایع نفتی ناشی می شود. تاثیرات بهداشتی و زیست محیطی آن نیازمند بررسی جامع است. در این تحقیق از شبکه mlp برای پیش‌بینی مقادیر غلظت گاز co در هوای شهر اهواز استفاده شد. نتایج نشان می‌دهد که دقت و عملکرد شبکه در پیش‌بینی غلظت گاز co در سطح مطلوب می‌باشد. در ادامه این تحقیق پیشنهاد می‌شود که پیش‌بینی غلظت دیگر الاینده‌های گازی انجام شود و برای تعیین ساختار بهینه شبکه عصبی مصنوعی از الگوریتم های بهینه‌سازی استفاده شود.

short-term prediction of carbon monoxide gas concentration in the air of ahvaz city using artificial neural network analysis

air pollution in cities is one of the most critical environmental problems, representing a constant and severe threat to both the health and hygiene of society and the environment. the primary air pollutants include nitrogen oxides, with a particular emphasis on nitrogen dioxide, sulfur oxides, especially sulfur dioxide, hydrocarbons, carbon monoxide (co), carbon dioxide, and suspended particles. ahvaz, a metropolis in iran, stands out as one of the most polluted cities. effective environmental management, particularly in addressing air pollution, is of paramount importance. this research aims to predict the concentration of co pollutants in ahvaz city for the first seven days of 2015.based on previous studies, meteorological variables including weather, air temperature and wind speed were selected as gas input titles in the network for gas prediction. co gas was procured in 2014 through the environmental protection organization of ahvaz city. in order to develop the multilayer perceptron (mlp) neural network, neuro solution5 software was used to create the neural network, 70% of the data was used for training (validation), 15% for testing, and the remaining 15% for validating the results of the network. is used. was used. in order to determine the best mlp network structure for short-term prediction of co gas concentration, different structures were considered in terms of the number of intermediate layers, the type of network training algorithm, the type of transfer function, the number of intermediate layer neurons and the number of repetitions (epoch) of training. the results showed that the mlp network with a structure of 1-5-3 (that is, 3 input neurons, 5 neurons in the middle layer and one neuron for the output layer) with 1500 repetitions of training per tansig transfer function (tansant sigmoid) and traingdm training algorithm (reduction gradient with momentum), is the best mlp network. in addition, the values of nse, rmse and mae statistical indices for the network training stage are equal to 0.72, 0.22 and 0.15 respectively. air pollution, the primary environmental challenge in ahvaz, arises from the intersection of traffic and the oil industry. its impacts on health and the environment necessitate comprehensive investigation. in this study, an mlp network was employed to predict co gas concentration values in the air of ahvaz city. the findings demonstrate that the network's accuracy and performance in forecasting co gas concentration are at an optimal level. as this research progresses, it is recommended to extend the prediction to other gaseous pollutants and to employ optimization algorithms for determining the optimal structure of the artificial neural network.