چکیده:
تبریز بعنوان یکی از پنج شهر بزرگ صنعتی و دومین شهر آلوده کشور به حساب می آید. مکانیابی مراکز صنعتی در غرب و جنوب غربی تبریز و وزش باد غالب در فصل های سرد از آن جهات، باعث آلودگی هوای شهر تبریز می شود. بر اساس اطلاعات اداره کل حفاظت محیط زیست استان آذر بایجان شرقی در سال 84، 60 درصد آلودگی هوای تبریز مربوط به صنایع سنگینی است که در جنوب غربی و غرب آن مکانیابی شده اند. در این مقاله یک مدل برمبنای رگرسیون چندگانه (روش خطی) و یک مدل دیگر بر اساس شبکه عصبی (روش غیرخطی) به منظور پیش بینی کوتاه مدت غلظت ازن برحسب شرایط آب و هوایی برای شهر تبریز ارایه شده و در ادامه به مقایسه نتایج به دست آمده از مدل خطی و غیرخطی پرداخته شده است. داده های هواشناسی این تحقیق شامل سرعت باد، رطوبت نسبی، جهت باد، درجه حرارت، بارندگی، فشار هوا، مقدار تابش و مقدار تبخیر از اداره هواشناسی تبریز (ایستگاه هواشناسی تبریز) و داده های آلودگی هوا (غلظت ازن) از اداره کل محیط زیست استان آذربایجان شرقی تهیه گردیده است. در این تحقیق داده های ماههای آذر و دی سال 1385 به صورت ساعتی مورد استفاده قرار گرفته است. داده های آلودگی هوا از میانگین چهار ایستگاه اندازه گیری موجود در تبریز، به دست آمده است. برای آموزش بهینه شبکه، پارامترهای هواشناسی در این پژوهش قبل از اینکه وارد شبکه شوند در محدوده 0 و 1 و غلظت آلودگی در محدوده 9/0- و 9/0 نرمالیزه شدند و از 1253 داده نرمالیزه شده 650 داده برای آموزش شبکه،404 داده برای تایید شبکه و 199 داده برای تست شبکه انتخاب گردید. نتایج به دست آمده نشان می دهند که مدل شبکه های عصبی توانایی بیشتری نسبت به روشهای خطی (رگرسیون چندگانه) داشته است. بطوریکه ضریب همبستگی در مدل رگرسیون چندگانه 45/0 در حالیکه ضریب همبستگی در شبکه های عصبی 91/0 بوده است.
خلاصه ماشینی:
"در این مقاله یک مدل برمبنای رگرسیون چندگانه(روش خطی)و یک مدل دیگر براساس شبکه عصبی(روش غیر خطی)به منظور پیشبینی کوتاهمدت غلظت ازن برحسب شرایط آب و هوایی برای شهر تبریز ارایه شده و در ادامه به مقایسه نتایج به دست آمده از مدل خطی و غیر خطی پرداخته شده است.
در این تحقیق از شبکههای عصبی پرسپترون چند لایه و رگرسیون چندگانه برای پیشبینی ساعتی غلظت O3 با استفاده از دادههای هواشناسی استفاده شده است.
برای مشخص کردن میزان تاثیرگذاری هریک از پارامترهای هواشناسی در غلظت O3 که نتایج آن شکل 5 نمایش داده شده است،از فرمول زیر استفاده شده است: (3)(به تصویر صفحه مراجعه شود) که Nh تعداد نرونها در لایه مخفی را نمایش میدهد، Ni نشانگر تعداد وزنها در هریک از نرونها در لایه مخفی میباشد، ih شماره لایه در لایه مخفی میباشد،و Wmn نشانگر وزن نرون N ام در لایه خروجی میباشد Garson,) .
بنابراین نتیجه میگیریم بین پارامترهای هواشناسی و غلظت آلودگی هوایی،رابطهای کاملا غیر خطی برقرار بوده است و در پیشبینی این غلظتها نتایج شبکههای عصبی مناسبتر و قابل قبولتر میباشد.
(MRL) نتیجهگیری نتایج تحقیق نشان میدهد که شبکههای عصبی پرسپترون چند لایه،در مقایسه با رگرسیون چندگانه توانسته است بین پارامترهای هواشناسی و دادههای غلظت ازن در شهر تبریز ارتباط برقرار کند که نتایج به دست آمده از تحقیق نشانگر آنست.
بدین ترتیب بین پارامترهای هواشناسی و دادههای غلظت ازن در شهر تبریز رابطه غیر خطی برقرار بوده و شبکههای عصبی در مقایسه با روشهای خطی میتواند نتایج مناسب و بهینهای داشته باشد."