امکانسنجی امکان پیش بینی غلظت ذرات معلق با استفاده از شبکه عصبی ( مطالعه موردی: شهر تبریز)

ذرات معلق یکی از آلاینده‌ها ی مهم هوا است ، که بر سلامتی انسان تاثیرات منفی دارد. بدیهی است تخمین و پیش‌بینی غلظت این ذرات مهم است. در این تحقیق با استفاده از مقایسه شبکه عصبی مصنوعی پیش‌خور پس‌انتشار و شبکه عصبی مصنوعی بازگشتی(nar,narx) و فازی تطبیقی(anfis) به تخمین ذرات معلق شهر تبریز پرداخته شده است. در این تحقیق داده‌های هواشناسی و داده‌های کیفیت هوا طی سال‌های 1392تا 1396 مورد استفاده قرار گرفت. تخمین غلظت ذرات معلق با توجه به میزان بارش، سرعت باد، مقدار دما در هر مدل و نتایج مقایسه گردید. همچنین از داده‌های غلظت ذرات معلق 2/5 میکرومتر درایستگاه سنجش کیفیت هوای باغشمال تبریز استفاده شد. 50 درصد داده‌ها برای صحت سنجی و آزمون واز 50درصد داده‌ها در روند آموزش استفاده شد. با توجه به نتایج ، در حالت ایستا و بدون تغییرات فصلی شبکه عصبی narx با ضریب همبستگی (r) 0/9995 و کمترین خطای میانگین مربعات (mse) یعنی0/005 بهینه ترین مدل این تحقیق شد.مقایسه نتایج مدل‌سازی با داده‌های واقعی نشان داد که بهترین پیش‌بینی متعلق به شبکه عصبی پیشخور پس‌انتشار است که با خطای 0/0007 نسبت به داده نرمال شده ، بهترین دقت را دارد و بعد از آن به ترتیب شبکه عصبی narx و nar و نهایتا شبکه فازی تطبیقی قرار دارند.

evaluation possibility of particular matter prediction by using neural network

particular matters are one of the important air pollutants that have direct effects on human health. in this research, by comparing, feed forward ann and narx has been estimated particular matter of tabriz city. metrology data and air quality data from 2013 to 2017 has been used. particulate matter estimated by considering temperature, wind speed and rain precipitation in each model and the results compared. also pm2.5 data form baghshomal air quality station in tabriz has been used. 50 present of data used for testing and validation and the rest of data used for training network the results showed that best state estimating with seasonal effect belong to feed forward ann train with amounts of r=0.85, mse=0.057and without seasonal effect belong to narx with amounts of r=0.999, mse=0.005. modeling results with real data showed that best results belongs to feed forward ann with 0.0007 error.