ارزیابی و مقایسه کارایی شبکه‌های عصبی مصنوعی و رگرسیون خطی‌چندگانه در پیش‌بینی غلظت آلاینده PM_(2.5) در زمستان شهر 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 ۸۹ الی ۹۹) در شهر تهران، مدل‌های رگرسیون خطی چندگانه (MLR) و دو مدل غیرخطی (MLP-RBF) در نظر گرفته شد. در مجموع ۹ پارامتر (۶ پارامتر هواشناسی، ۲ 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 ۸۰ و ۲۰ 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〗_۲.۵ را با دقت بالایی پیش‌بینی کنند، اما مدل RBF با ضریب همبستگی بالا (۹۷۳/۰ = R^2) و حداقل مقدار خطا (۳۱/۴ = RMSE) توانست برازش مطلوبی بین مشاهدات و مقادیر پیش‌بینی شده ارائه دهد.

کلیدواژه‌ها: آلودگی هوا، شبکه‌ عصبی مصنوعی، رگرسیون خطی چندگانه، PM_2.5، تهران.