مقایسه دو روش مدل‌سازی با استفاده از شبکه عصبی- فازی در پیش بینی غلظت آلاینده مونوکسید کربن

پایش و پیش‌بینی مشخصه‌های کیفیت هوا در مناطق شهری یکی از چالش‌های محیط زیست انسانی محسوب می‌شود. این مهم وابسته به عوامل متعددی مانند توپوگرافی، اقلیم، جمعیت و شبکه حمل ‌و ‌نقل است که نحوه تعامل این عوامل مکانی به عنوان پدیده‌‌ای دینامیک، غیر خطی و دارای ابهام عنوان شده است. در این تحقیق به منظور پیش بینی و مدل‌سازی میزان آلاینده مونوکسیدکربن از شبکه عصبی- فازی و gis در قالب دو مدل متفاوت استفاده شده است. در مدل اول داده‌های آموزشی با استفاده از روش کریجینگ ایجاد و برای هر ایستگاه ناحیه‌ای در نظر گرفته شد که از داده‌های موجود در آن ناحیه، برای آموزش آن استفاده شد. برای هر ناحیه قانون‌های فازی استخراج شده و به هر پیکسل آن ناحیه اعمال و میزان آلاینده تخمین زده شد. در مدل دوم هر ایستگاه به طور جداگانه با استفاده از داده‌های خود آموزش داده شد. برای هر ایستگاه قانون‌های فازی آن استخراج شده و غلظت آلاینده تخمین زده شد. به علت این‌که پیش‌بینی در ایستگاهها صورت می‌گیرد، در نهایت برای مدل‌سازی مکانی غلظت در محدوده مورد مطالعه از روش کریجینگ استفاده شده است. برای انجام تست عملی این تحقیق، از داده‌های هواشناسی ایستگاههای واقع در سطح شهر تهران استفاده شد. میانگین rmse مجموعه ایستگاهها در مدل اول با قانون‌های سوگنو،613/1 ppm و با قانون‌های ممدانی، 484/1 ppm و در مدل دوم با قانون‌های سوگنو، 445/1 ppm و با قانون‌های ممدانی، 374/1 ppm به دست آمد. نتایج حاکی از آن است که هر دو مدل به خوبی میزان آلاینده را پیش‌بینی می‌کنند.