پیشبینی سری زمانی مقدار ازن تروپوسفری با سازندهای فتوشیمیایی و عوامل هواشناسی

روش های متداول اندازه گیری آلاینده های هوای دارای خطا، نیازمند فضای نسبتا بزرگ و صرف هزینه های بسیار کلان است، در حالی که می توان با استفاده از روش های جدیدی که توانایی یادگیری دارند از این معایب روش های معمول کاست. این روش ها که پایه ریاضی دارند و با استفاده از برنامه نویسی بنیان شده اند، هنوز به آن مرحله نرسیده اند که بتوان با اطمینان کامل جایگزین اندازه گیری های ماشینی شوند. در این مقاله از روش های شبکه عصبی مصنوعی و ماشین بردار پشتیبان که در تحقیقات گذشته نتایج قابل قبولی را برای موضوعات دیگر ارائه داده اند، استفاده شده است تا مقدار اوزن موجود در هوای سطح شهر تهران را با توجه به هشت پارامتر دیگر هواشناسی و آلاینده های معیار هوا، پیشبینی کند. در آخر با مقایسه عملکرد این دو روش با استفاده از دو معیار ارزیابی نتایج، نشان داده می شود که مقادیر R و RMSE برای ماشین بردار پشتیبان برابر است با ۰.۸۴۵۶ و ۰.۰۷۷۴ و برای شبکه عصبی مصنوعی ۰.۸۳۹۶=R و ۰.۰۹۱۴=RMSE ، که این نتایج حاکی از برتری روش ماشین بردار پشتیبان نسبت به شبکه عصبی است. البته هر دو روش برای این پیشبینی نتایج کاملا مطلوب و رضایت بخشی ارائه داده اند. همچنین میزان تاثیرگذاری پارامترها بر روی ازن تحلیل شد که کربن منوکسید، دمای هوا و نیتروژن دی اکسید بیشترین تاثیر را بر روی تغییرات ازن داشتند درحالی که ذرات معلق هوا و بخصوص ذرات معلق با اندازه کمتر از ۲.۵ میکرومتر کمترین تاثیر را پیشبینی ازن داشتند..

کلیدواژه ها:

Air pollution ، Tropospheric ozone ، soft computing ، prediction ، Tehran ، آلودگی هوا ، ازن تروپوسفری ، محاسبات نرم ، پیشبینی آلاینده