توسعه مدل پیش‌بینی غلظت ازن در هوا با استفاده از شبکه عصبی مصنوعی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه خواجه نصیر

2 استاد/دانشگاه خواجه نصیر

3 دانشیار/دانشگاه خواجه نصیر

4 استادیار/دانشگاه خواجه نصیر

چکیده

با توجه به مضرات ازن بر سلامت انسان و محیط‌زیست و افزایش آن در دهه‌های گذشته، بررسی و پیش‌بینی میزان آن در هوا از اهمیت بالایی برخوردار است. پیش‌بینی غلظت ازن در هوا می تواند برای پیشگیری و کنترل توسط مسئولان استفاده شود. در این مقاله پارامترهای مهم و تأثیرگذار بر غلظت ازن با استفاده از داده‌های پایش کیفیت هوا ایستگاه‌های آزادی و امام خمینی طی سال‌های 2009 تا 2010، بررسی شده است. در این راستا متغیرهای هواشناسی شامل رطوبت‌نسبی، دما، فشار، سرعت و جهت باد با غلظت ازن به کمک همبستگی خطی و تحلیل مؤلفه‌های اصلی تحلیل شد. مطالعه همبستگی بین متغیر‌های مختلف هواشناسی با غلظت ازن نشان داد که غلظت ازن تحت تأثیر پارامترهای رطوبت نسبی، دما و سرعت باد است. تأثیر پارامترهای رطوبت نسبی و دما را می‌توان با توجه به عملکرد فتوشیمیایی و نقش این فرآیند در تولید ازن توصیف کرد. در حالی که همبستگی ازن با پارامتر سرعت باد نشان‌دهنده انتقال ازن از مناطق دیگر است. در ادامه سعی شد از یک شبکه عصبی پرسپترون چندلایه جهت پیش‌بینی غلظت ازن استفاده شود. ورودی های این شبکه عبارتند از رطوبت نسبی، دما و سرعت باد که قبلآً تأثیر آنها بر غلظت ازن اثبات شده است. نتایج اجرای شبکه عصبی توسعه داده شده در ایستگاه‌های میدان آزادی و امام خمینی در تهران نشان داد که مدل طراحی شده میزان غلظت ازن را با دقت 67 تا 97 درصد در 24 ساعت آینده تخمین می زند. نتایج این تحقیق و مدل توسعه داده شده می‌تواند برای مدیریت بهتر آلودگی هوا و کنترل غلظت ازن توسط مدیران شهری مورد استفاده قرار گیرد.

کلیدواژه‌ها


عنوان مقاله [English]

Developing a model for ozon concentration prediction using artificial neural network

چکیده [English]

Ozone concentration in metropolitan areas frequently exceed regulatory standards now. Since it is harmful on human health and environment, its modeling and visualization are of vital important. Modeling and prediction of ozone is required by urban managers to control and prevent its effects. In this paper, important parameters influencing the hourly ozone concentration are estimated by using data collected in Azadi and Imam Khomeini air quality stations in 2009-2010. In this context, the correlations between ozone concentration and meteorological parameters such as relative humidity, temperature, pressure, wind speed, and its directions are determined by linear regression and principle component analysis.

Results showed that ozone concentration is mostly affected by relative humidity, temperature and wind speed. The effects of relative humidity and temperature on ozone concentration are attributed to photochemical processes. While the correlation between the ozone and wind speed is due to the ozone transfer from nearby regions. After determining the important parameters, a neural network was used for forecasting of ozone concentration of the next 24 hours for a week in four different seasons. The input to the neural network model was relative humidity, temperature and wind speed. Results of the implementation showed that the model can predict the ozone concentration in Azadi and Imam Khomeini air quality stations by an accuracy of 67 to 97 percent for the next 24 hours. Urban managers for more efficient management and control of the ozone concentration can use results of this research work.

کلیدواژه‌ها [English]

  • Ozone
  • modeling
  • Principal component analysis
  • neural network