مقایسه دو روش مدل سازی با استفاده از شبکه عصبی- فازی در پیش بینی غلظت آلاینده مونوکسید کربن

پایش و پیش بینی مشخصه های کیفیت هوا در مناطق شهری یکی از چالش های محیط زیست انسانی محسوب می شود. این مهم وابسته به عوامل متعددی مانند توپوگرافی، اقلیم، جمعیت و شبکه حمل و نقل است که نحوه تعامل این عوامل مکانی به عنوان پدیده ای دینامیک، غیر خطی و دارای ابهام عنوان شده است. در این تحقیق به منظور پیش بینی و مدل سازی میزان آلاینده مونوکسیدکربن از شبکه عصبی- فازی و GIS در قالب دو مدل متفاوت استفاده شده است. در مدل اول داده های آموزشی با استفاده از روش کریجینگ ایجاد و برای هر ایستگاه ناحیه ای در نظر گرفته شد که از داده های موجود در آن ناحیه، برای آموزش آن استفاده شد. برای هر ناحیه قانون های فازی استخراج شده و به هر پیکسل آن ناحیه اعمال و میزان آلاینده تخمین زده شد. در مدل دوم هر ایستگاه به طور جداگانه با استفاده از داده های خود آموزش داده شد. برای هر ایستگاه قانون های فازی آن استخراج شده و غلظت آلاینده تخمین زده شد. به علت این که پیش بینی در ایستگاهها صورت می گیرد، در نهایت برای مدل سازی مکانی غلظت در محدوده مورد مطالعه از روش کریجینگ استفاده شده است. برای انجام تست عملی این تحقیق، از داده های هواشناسی ایستگاههای واقع در سطح شهر تهران استفاده شد. میانگین RMSE مجموعه ایستگاهها در مدل اول با قانون های سوگنو،۶۱۳/۱ ppm و با قانون های ممدانی، ۴۸۴/۱ ppm و در مدل دوم با قانون های سوگنو، ۴۴۵/۱ ppm و با قانون های ممدانی، ۳۷۴/۱ ppm به دست آمد. نتایج حاکی از آن است که هر دو مدل به خوبی میزان آلاینده را پیش بینی می کنند.

کلیدواژه ها:

Air pollution ، GIS ، Kriging ، Mamdani fuzzy inference system ، Neuro-fuzzy system