بهینه سازی متغیرهای هواشناسی به منظور پیش بینی غلظت الاینده های هوا به منظور کاهش هزینه و زمان محاسبات در مدل شبکه عصبی مصنوعی

شهر کرمانشاه به دلیل وجود صنایع، ترافیک و توفان های گرد و غبار یکی از شهرهای آلوده کشور است. در این پژوهش پنج آلاینده PM۱۰، CO، O۳، NO۲، SO۲ با استفاده از شبکه عصبی پرسپترون چند لایه برای دو بازه ی زمانی امروز و فردا پیش بینی شدند. داده های مستقل شامل هفت کمیت هواشناسی دما، رطوبت نسبی، میزان دید، سرعت باد، نقطه شبنم، فشار، و بارش است. آزمون هم خطی و تکنیک انتخاب پیشرو برای حذف متغیر های ورودی اضافی و ایجاد زیر مجموعه ای از متغیرهای اثر گذار در پیش بینی استفاده شد. مدل بهینه با استفاده از شاخص هایRMSE , ,NMSE IOA, R۲ و FB برای هر آلاینده انتخاب گردید. نتایج نشان می دهد که مدل ۲ با تعداد ۶ کمیت مستقل برای پیش بینی غلظت آلاینده منوکسید کربن و دی اکسید نیتروژن مدلی بهینه است و برای پیش بینی آلاینده ازن مدل ۵ با تعداد ۳ کمیت ورودی مدل مطلوبی می باشد همچنین برای پیش بینی دی اکسید گوگرد مدل ۶ با دو متغیر ورودی و برای پیش بینی ذرات معلق (PM۱۰) مدل ۴ با ۴ متغیر ورودی مناسبترین مدل بوده اند. نتایج این پژوهش نشان می دهد که استفاده از تکنیک انتخاب پیشرو برای بهینه سازی تعداد متغیرها سبب افزایش دقت و کاهش هزینه های پیش بینی خواهد شد.

بهینه سازی متغیرهای هواشناسی به منظور پیش بینی غلظت الاینده های هوا به منظور کاهش هزینه و زمان محاسبات در مدل شبکه عصبی مصنوعی Keywords:

آزمون هم خطی , پیش بینی , تکنیک انتخاب پیشرو , شبکه عصبی پرسپترون چندلایه , کرمانشاه