برآورد مقدار غلظت آلاینده ازن در شهر تهران با استفاده از شبکه عصبی مصنوعی پرسپترون چند لایه

Abstract

تهران همواره با آسیبهای ناشی از آلودگی هوا مواجه است؛ عمده آلودگیها ناشی از وسایل نقلیه میباشد. امروزه شبکههای عصبی مصنوعی، کمک شایانی برای مدیریت آلودگی هوای تهران میکنند. هدف این مقاله تشخیص و انتخاب ورودیهای مناسب و بهینه سازی شبکه جهت بهبود عملکرد آن و پیشبینی غلظت آلاینده ازن برای ۲۴ ساعت آینده میباشد. در این مقاله، از شبکه عصبی پرسپترون چندلایه جهت پیشبینی و مدلسازی ازن استفاده شده است. علاوه بر بررسی اثر پارامترهای جوی تاثیر سایر آلودگی ها بر آلودگی هدف NOx به UV ها با یکدیگر مرتبط هستند، چرا که ازن سطح زمین به دنبال تشعشع NOx بررسی شد. ازن و هم استفاده شده است. NO تولید میشود. بنابراین برای پیشبینی غلظت ازن در ۲۴ ساعت آینده، از غلظت 2 ورودیهای هواشناسی شامل دمای هوا، سرعت باد، میزان بارش، رطوبت نسبی هوا است. از آنجا که رفتار ترافیکی مردم نیز بر روی کیفیت هوا بسیار موثر است، تاثیر آن از طریق جداسازی دادههای نوروز و لحاظ کردن پارامتر روز و ماه اعمال شده است. غلظت آلاینده روز قبل از دیگر پارامترهای موثر بر مدلسازی آلودگی هواست که استفاده شده است. دادههای استفاده شده مربوط به ۱۰ سال اخیر منطقه اقدسیه تهران است. شبکه پیشنهادی بهینه دارای یک لایه پنهان، ۱۳ نرون و توابع انتقال تانژانت هایپربولیک و خطی در لایه پنهان و خروجی است. الگوریتمهای پس انتشار خطا و تابع آموزشی لونبرگ- مارکوآت به کار گرفته شده است. ضریب ۰ بیانگر عملکرد مناسب شبکه طراحی شده / ۰ و ریشه میانگین مربعات خطا برابر ۱۲۷۶۰ / همبستگی ۸۴۷۹۷ است. O برای مدلسازی غلظت