پیش‌بینی شاخص کیفیت هوا برمبنای متغیرهای هواشناسی و مولفه‌های خودهمبسته با استفاده از شبکه عصبی مصنوعی

زمینه و هدف: شاخص کیفیت هوا (air quality indexaqi) ارتباط کیفیت هوا را با سطوح سلامتی به صورت کمی بیان می کند. با استفاده از مدل شبکه عصبی مقدار aqi برای یک روز بعد بر مبنای متغیرهای هواشناسی و خودهمبستگی شاخص، برای شهر کرمانشاه پیش بینی شد.روش کار: بعد از آماده سازی داده های آلاینده های معیار و متغیرهای هواشناسی سال های 91-1389، تاخیرهای زمانی یک روز قبل و بعد متغیرها ایجاد شد. مقدار شاخص یک روز بعد به عنوان متغیر وابسته و سایر متغیرها به عنوان ورودی مدل استفاده گردید. عملکرد مدل با استفاده از ضریب همبستگی (r)، ضریب تبیین (r2) و ریشه میانگین مربع خطا ارزیابی شد. تحلیل حساسیت مدل بررسی و مهمترین متغیرهای موثر برای پیش بینی aqi شناسایی گردید. یافته ها: مقدار r مراحل آموزش، اعتبارسنجی و آزمون مدل بالاتر از 0.75 تعیین و r2 مرحله آزمون برابر 0.6 تعیین شد. در بین متغیرهای هواشناسی، میزان دید افقی و میزان بارندگی تاثیر بیشتری بر مقدار شاخص داشتند به نحوی که بارندگی در یک روز قبل به طور معناداری باعث کاهش مقدار aqi روز بعد خواهد شد. همچنین بین میزان دید افقی و aqi ارتباط معکوس مشخص گردید.نتیجه گیری: مدل پیشنهادی می تواند برای پیش بینی مقدار شاخص aqi شهر کرمانشاه مورد استفاده قرار گیرد. با توجه به مسئله آلودگی هوا و خصوصاً مشکل ریزگردها، چنانچه چنین مدلی به صورت دینامیک استفاده شود نقش آن در اعلان وضعیت هوا ملموس تر خواهد شد. پیشنهاد می گردد پیش بینی شاخص aqi در قالب یک مدل با قابلیت به روز شدن برای این استان در مطالعات بعد انجام گردد.

Forecasting the air quality index based on meteorological variables and autocorrelation terms using artificial neural network

Background: Air Quality Index (AQI) quantifies the relationship between air quality and the level of health. The value of AQI may be predicted using neural network model for a day in advance, based on the meteorological variables and autocorrelation behavior of the index in Kermanshah, a city in western Iran.Methods: Data for air pollution and meteorological variables, collected during three years, were lagged for two proceeding days. The AQI for a next day was considered as dependent variable and other were used as predictors. The performance of model was assessed with correlation coefficient (r). The most important variables to predict the AQI were identified using sensitivity analysis.Results: The r coefficient for the training, validation and testing the model was 0.75. Among the meteorological variables, the horizontal view and precipitation had a greater impact on the AQI. One day proceeding precipitation can significantly reduce the amount of AQI for the next day. An inverse relationship was found between AQI and horizontal view.Conclusion: The proposed model can be used to predict the Kermanshah rsquo;s AQI index. Regarding to the issue of air pollution in this city, especially fine particulate pollutions if such a model is used dynamically to predict the AQI, it can be useful tools for the declaration of an air pollution alert. The preparation of an online modelbased system for the prediction of AQI index for Kermanshah city is suggested to be conducted in future studies.