چکیده:
وجود مشکلات و بحرانهای زیستمحیطی در جهان باعث شده است تا طی نیم قرن گذشته اهمیت بحث در مورد محیط-زیست و مسایل زیستمحیطی بیشتر شود. در این میان آلودگی هوا به عنوان یکی از معضلات زیست محیطی دههای اخیر در ردیف یکی از زیانبارترین بلایای طبیعی قرار گرفته است. با توجه به اثر گذاری زیان بار ذرات معلق بر روی سلامت انسانها، پیشبینی مقدار غلظت این ذرات در روزهای آینده میتواند سبب کاهش این اثرات شود. لذا در این مطالعه ازدقت مدلهای خطی شامل رگرسیون خطی چندگانه (MLR) و خودرگرسیون میانگین متحرک انباشته (ARIMA) و از مدل غیر خطی شبکه عصبی رگرسیون عمومی (GRNN) برای پیشبینی ذرات معلق PM2.5 در شهر سنندج برای انتخاب دقیقترین مدل مورد آزمون قرار گرفت. مدل شبکه عصبی رگرسیون عمومی در این مطالعه برای اولین بار است که در ایران برای پیشبینی آلودگی اتمسفراستفاده میشود. دادههای مربوط به کیفیت هوا شامل PM10، SO2، NO2، CO، O3 و دادههای مربوط به هواشناسی شامل میانگین حداقل دما (MinT)، میانگین حداکثر دما (MaxT)، میانگین فشار جوی (AP)، بارش کل روزانه (PR)، رطوبت نسبی روزانه سطح هوا (RH) و سرعت باد روزانه (WS) مربوط به سال 1393 به عنوان متغیرهای مستقل و میزان غلظت ذرات معلق PM2.5 به عنوان متغیر وابسته در نظر گرفته شدند. نتایج نشان داد که مدل شبکه عصبی رگرسیون عمومی با مقدار R2=0.81، RMSE=6.9468 و MAE=5در مرحله آموزش و مقدار R2=0.74، RMSE=5.0725و MAE=3.4874 در مرحله آزمون بهترین عملکرد را نسبت به مدلهای خطی در پیشبینی ذرات معلق PM2.5در شهر سنندج داشته است.
Existence of environmental crises and problems in the world has led the increasing of importance of the discussion about the environment and environmental issues in the past half century. In the recent decades, the air pollution as one of the environmental crises has been known as a most harmful natural disasters. Due to harmful effects of particulate matter on human health, prediction of particulate matter concentration in the coming days could be reduce these effects. Therefore, in this study the accuracy of linear models including multiple linear regression (MLR), autoregressive integrated moving average (ARIMA), and nonlinear model of General Regression Neural Network (GRNN) to prediction of particulate matter PM2.5 in Sanandaj city were tested to choose the most accurate prediction. To date, no study has been conducted to investigate the accuracy of the GRNN model to prediction of atmospheric pollution in Iran. Air quality data consisting of O3, CO, NO2, SO2, PM10, and meteorological data such as average minimum temperature (MinT), average maximum temperature (MaxT), average atmospheric pressure (AP), daily total precipitation (PR), daily relative humidity of the air (RH) and daily wind speed (WS) of 2015 as independent variable and the PM2.5 concentration as a dependent variable were considered. The results showed that the GRNN model with a R2 = 0.81, RMSE = 6.9468 and MAE = 5 in the training phase and the amount of R2 = 0.74, RMSE = 5.0725 and MAE = 3.4874 in the test phase had been best performance to predict of particulate matter PM2.5 compared to linear models in Sanandaj city.
خلاصه ماشینی:
1 شادی اوسطی 2 جمیل امان اللهی 3 بختیار محمدی ارزیابی دقت مدل های رگرسیون چندگانه ، ARIMA وGRNN در پیش بینی غلظت ذرات معلق PM٢٥ در شهر سنندج تاریخ دریافت : ١٣٩٣/٠٣/١٦ تاریخ پذیرش : ١٣٩٣/١٢/٠٩ چکیده وجود مشکلات و بحران های زیست محیطی در جهان باعث شده است تا طی نیم قرن گذشته اهمیت بحث در مورد محیط زیست و مسایل زیست محیطی بیش تر شود.
لذا در این مطالعه به منظور افزایش صحت پیش بینی ذرات معلق PM٢٥ در شهر سنندج دقت مدل های خطی شامل رگرسیون خطی چندگانه (MLR) و خود رگرسیون میانگین متحرک انباشته (ARIMA) و مدل غیرخطی شبکه عصبی رگرسیون عمومی (GRNN) مورد آزمون قرار گرفت .
نتایج نشان داد که مدل شبکه عصبی رگرسیون عمومی با مقدار ٠/٨١ =R٢ و ٦/٩٤٦٨ =RMSE و ٥=MAE در مرحله آموزش و مقدار ٧٤=R٢ و ٠/٠٧٢٥ =RMSE و ٣/٤٨٧٤ =MAE در مرحله آزمون بهترین عملکرد را نسبت به مدل های خطی در پیش بینی ذرات معلق PM٢٥ در شهر سنندج داشته است .
پرزو همکاران ١٩ (٢٠٠٠) مدل شبکه عصبی مصنوعی را برای پیش بینی PM٢٥ در سانتیاگو به کار بردند و از غلظت PM٢٥، 9- Pastuszka et al 10- Adamson et al 11- Sandstrom 12- Gupta and Sundar 13- Word health organization 14- Kuzmanovski and Aleksovska 15- Zhou et al 16- Cobourn 17- Artificial Neural Network 18- Hassan 19- Pérez et al سرعت باد و جهت باد به عنوان متغیرهای پیش بینی کننده استفاده کردند.