مهرداد رفیع پور - دانشجوی کارشناسی ارشد رشته سیستم اطلاعات مکانی دانشگاه صنعتی خواجه نصیرالدین طوسی (مسوول مکاتبات)
علی اصغر آل شیخ - دانشیار رشته سیستم اطلاعات مکانی دانشگاه صنعتی خواجه نصیرالدین طوسی
عباس علیمحمدی - دانشیار رشته سیستم اطلاعات مکانی دانشگاه صنعتی خواجه نصیرالدین طوسی
ابوالقاسم صادقی نیارکی - استادیار رشته سیستم اطلاعات مکانی دانشگاه صنعتی خواجه نصیرالدین طوسی

زمینه و هدف: آلودگی هوا یکی از مشکلات مهم شهر های بزرگ محسوب می شود. یکی از اهداف مسئولین شهری آگاهی از میزان کیفیت هوا در آینده است؛ برای پیشبینی کیفیت هوا، باید غلظت هریک از آلاینده ها مدلسازی شده و با استفاده از مدل ایجاد شده، نسبت به پیشبینی مقادیر هریک از آلاینده ها اقدام شود. با توجه به اینکه مونوکسید کربن یکی از آلاینده های مهم هوا است، و تاثیرات زیانباری بر سلامت انسان دارد. روش بررسی: در این مقاله به مدلسازی و پیشبینی ۲۴ ساعته غلظت مونوکسید کربن با استفاده از شبکه های عصبی بازگشتی NAR و مدل آماری ARMA پرداخته شده و سپس نتایج این دو روش با یکدیگر مقایسه شده است. برای این منظور از داده های سال ۲۰۰۹ از ۲۹ نوامبر تا ۳۱ دسامبر، مربوط به غلظت آلاینده مونوکسیدکربن اندازه گیری شده در ایستگاه آزادی از ایستگاه های پایش کیفیت هوا متعلق به سازمان محیط زیست استان تهران استفاده شده است. یافته ها: نتایج مدلسازی نشان می دهد که شبکه عصبی NAR دارای دقت بهتری نسبت به روش ARMA  برای پیشبینی و مدلسازی غلظت مونوکسید کربن است. شبکه عصبی NAR با MSE کمتر از ۶/۱ دقت مناسبی در پیشبینی غلظت آلاینده مونوکسید کربن داشت. همچنین همبستگی بین مقادیر پیشبینی شده و مقادیر واقعی برای شبکه عصبی NAR، ۸۴ درصد می باشد. در حالی که مدل ARMA دارای MSE برابر ۴۶/۵  و ضریب همبستگی ۷۲ درصد می باشد. نتیجه گیری: می توان نتایج پیشبینی را جهت آگاه سازی عمومی در اینترنت و شبکه های جمعی منتشر کرد. همچنین نتایج مدلسازی و پیشبینی می تواند برای مدیریت بهتر آلودگی هوا توسط مدیران مورد استفاده قرار گیرد. نتایج این تحقیق نشان می دهد که شبکه عصبی NAR قابلیت بسیار بالایی در پیشبینی سری زمانی غاظت مونوکسیدکربن دارد.

آلودگی هوا, مونوکسیدکربن, شبکه های عصبی, مدلسازی, پیشبینی