بهینه سازی متغیرهای هواشناسی به منظور پیش بینی غلظت الاینده های هوا به منظور کاهش هزینه و زمان محاسبات در مدل شبکه عصبی مصنوعی

شهر کرمانشاه به دلیل وجود صنایع، ترافیک و توفان‌های گرد و غبار یکی از شهرهای آلوده کشور است. در این پژوهش پنج آلاینده pm10، co، o3، no2، so2 با استفاده از شبکه عصبی پرسپترون چند لایه برای دو بازه‌ی زمانی امروز و فردا پیش‌بینی شدند. داده‌های مستقل شامل هفت کمیت‌ هواشناسی دما، رطوبت ‌نسبی، میزان دید، سرعت ‌باد، نقطه شبنم، فشار، و بارش است. آزمون هم‌خطی و تکنیک انتخاب پیشرو برای حذف متغیر‌های ورودی اضافی و ایجاد زیر مجموعه‌ای از متغیرهای اثر گذار در پیش‌بینی استفاده شد. مدل بهینه با استفاده از شاخص‌هایrmse , ,nmse ioa, r2 و fb برای هر آلاینده انتخاب گردید. نتایج نشان می‌دهد که مدل 2 با تعداد 6 کمیت مستقل برای پیش‌بینی غلظت آلاینده منوکسید کربن و دی اکسید نیتروژن مدلی بهینه است و برای پیش‌بینی آلاینده ازن مدل 5 با تعداد 3 کمیت ورودی مدل مطلوبی می‌باشد همچنین برای پیش بینی دی اکسید گوگرد مدل 6 با دو متغیر ورودی و برای پیش‌بینی ذرات معلق (pm10) مدل 4 با 4 متغیر ورودی مناسبترین مدل بوده‌اند. نتایج این پژوهش نشان می‌دهد که استفاده از تکنیک انتخاب پیشرو برای بهینه سازی تعداد متغیرها سبب افزایش دقت و کاهش هزینه‌های پیش‌بینی خواهد شد.