سازمان جغرافیایی نیروهای مسلح

| ورود به سامانه | ثبت نام

صفحه اصلی / اولین کنفرانس ملی علوم داده و اطلاعات مکانی

ارزیابی و مقایسه کارایی شبکه‌های عصبی مصنوعی و رگرسیون خطی‌چندگانه در پیش‌بینی غلظت آلاینده 〖PM〗_(2.5) در زمستان شهر تهران

نویسندگان :

فریماه بخشی زاده¹ میثم ارگانی² مهری اکبری³

1- دانشکده جغرافیا، دانشگاه تهران 2- دانشگاه تهران 3- دانشکده جغرافیا، دانشگاه خوارزمی

کلمات کلیدی :

آلودگی هوا، شبکه‌ عصبی مصنوعی، رگرسیون خطی چندگانه، 〖PM〗_2.5، تهران

چکیده :

ذرات معلق 〖PM〗_2.5 در بیش‌تر روزهای سال آلاینده شاخص هوا در شهر تهران محسوب می‌شود. علاوه بر تاثیر مهم بخش حمل و نقل در تشدید آلاینده‌های جوی، نقش پارامترهای هواشناسی به عنوان یک عامل تعدیل کننده در انباشت و پراکنش آلاینده‌های جوی امری انکارناپذیر است. در این پژوهش به منظور پیش‌بینی غلظت آلاینده 〖PM〗_2.5 در طی فصل زمستان (سال‌های 89 الی 99) در شهر تهران، مدل‌های رگرسیون خطی چندگانه (MLR) و دو مدل غیرخطی (MLP-RBF) در نظر گرفته شد. در مجموع 9 پارامتر (6 پارامتر هواشناسی، 2 پارامتر ترافیکی و فاصله ایستگاه‌های آلودگی سنجی از خیابان) به عنوان ورودی و غلظت آلاینده 〖PM〗_2.5 به عنوان خروجی در نظر گرفته شد. از کل داده‌های ورودی به ترتیب 80 و 20 درصد جهت آموزش و تست مدل‌ها استفاده شد. جهت ارزیابی نتایج حاصل از خروجی سه مدل، پنج شاخص صحت و دقت محاسبه گردید. نتایج حاصل نشان داد که رابطه بین غلظت آلاینده 〖PM〗_2.5 و پارامترهای موثر بر آن یک رابطه پیچیده و غیرخطی می‌باشد که مدل‌های غیرخطی در مقایسه با مدل خطی MLR، توانایی بالاتری در پیش‌بینی غلظت آلاینده 〖PM〗_2.5 را دارند و همچنین در بین مدل‌های غیرخطی اگر چه هر دو مدل شبکه عصبی MLP و RBF می‌توانند غلظت آلاینده 〖PM〗_2.5 را با دقت بالایی پیش‌بینی کنند، اما مدل RBF با ضریب همبستگی بالا (973/0 = R^2) و حداقل مقدار خطا (31/4 = RMSE) توانست برازش مطلوبی بین مشاهدات و مقادیر پیش‌بینی شده ارائه دهد.