پیش بینی کوتاه-مدت غلظت آلاینده co با استفاده از مدل ترکیبی رگرسیون- شبکه عصبی مطالعه موردی: ایستگاه ژئوفیزیک شهر تهران

آلودگی هوا محصول جانبی و نامناسب پیشرفت صنعتی و تکنولوژی است که متاسفانه پا به پای آن رشد کرده واکنون دامنه ی آن از یک شکل محلی و ملی فراتر رفته و به یک معضل جهانی تبدیل شدهاست. هدف اصلی از انجام این تحقیق، ارائه یک مدل ترکیبی جدید بمنظور پیش بینی کوتاه مدت کیفیت هوا بوده است. بدین منظور غلظت آلایندهCO در ایستگاه ژئوفیزیک شهر تهران مورد بررسی قرار گرفت و با استفاده از مدل رگرسیون، شبکه عصبی و مدل ترکیبیرگرسیون-شبکه عصبی، مقادیر متوسط غلظت آلاینده در 24 ساعت آینده تحت تأثیر پارامترهای جوی و وضعیت آلودگیگذشته، پیشبینی و ارزیابی شد. نتایج حاصل از مدلسازی زمانی، عملکرد مطلوب مدل ترکیبی را در ایستگاه ژئوفیزیک با شاخص ضریب تعیین0/99در سطح بسیار بالایی نشان داد. مشاهده شد که مدلهای رگرسیون و شبکه عصبی در پیش بینی مقادیر بالای غلظت، عملکرد ضعیفتری داشتند و عموماً در پیشبینی مقادیر بالا، تمایل به زیربرآورد نشان دادند، در حالی که مدل ترکیبی توانایی بسیار بالایی در پیشبینی مقادیر بالای غلظت نشان داد و بطور متوسط در حدود کمتر از 0/5ppm تمایل به زیربرآورد داشته است. همچنین شاخصهای ضریب تعیین و ضریب راندمان در شبکه ترکیبی نسبت به شبکه عصبی در حدود 40 %، واریانس نسبی میانگین 35 %، خطای ریشه میانگین مربعات 30 %، میانگین خطای مطلق 20درصد خطای استاندارد 10واحد و سرانجام شاخص پایداری نیز0/45 بهبود یافته اند

کلیدواژه ها:

پیشبینی ، رگرسیون ، شبکه عصبی ، مدل ترکیبی/CO