مدل سازی و پیش بینی غلظت PM₁₀ در شهر اهواز با بهره گیری از رویکرد تلفیقی تحلیل آماری و یادگیری عمیق

هدف این مطالعه ارزیابی و پیش بینی PM۱۰ شهر اهواز با روش های آماری و شبکه عصبی مصنوعی بود. داده های روزانه ی هواشناسی و داده های PM۱۰ (۱۳۹۰ تا ۱۴۰۲) از سازمان هواشناسی و اداره کل محیط زیست خوزستان دریافت شد. ابتدا داده ها پردازش و نرمال بودن آن ها با روش کلموگروف اسمیرنوف بررسی شد. با توجه به غیرنرمال بودن داده ها، از روش های اسپیرمن و تاوی بی کندال برای بررسی همبستگی شان با نرم افزار spss استفاده شد. سایر بخش ها با زبان برنامه نویسی پایتون و در فضای اسپایدر انجام شد؛ سری زمانی و اطلاعات آماری داده ها به دست آمد. جهت پیش بینی میزان PM۱۰ برای گام های زمانی آینده از روش شبکه عصبی (MLP) استفاده شد. بیانگر وجود ارتباط معنادار بین متغیرهای هواشناسی و PM۱۰ بود. به ترتیب، نتایج همبستگی های اسپیرمن و تاوی بی کندال نشان داد بین PM۱۰ با سرعت باد (به میزان ۰.۰۹۴ و ۰.۰۶۱) و دما (۰.۲۸۴ و ۰.۱۸۷) دارای همبستگی مثبت و معنادار در سطح اطمینان ۹۹% می باشد. همچنین، این پارامتر با دیدافقی (۰.۴۰۸- و ۰.۳۰۰ -)، جهت باد (۰.۰۴۸ – و ۰.۰۳۴ -)، بارش (۰.۱۵۹ – و ۰.۱۲۵-) و رطوبت نسبی (۰.۲۵۹ – و ۰.۱۷۳-) دارای همبستگی معکوس و معناداری در سطح اطمینان ۰.۹۹% بوده است. برای پیش بینی میزان PM۱۰ آینده، از شبکه عصبی (MLP) استفاده شد. مدل از نوع Sequential با یک لایه ی ورودی با ۶ نورون، سه لایه ی مخفی از نوع Dense با ۱۶، ۳۲ و ۶۴ نورون و یک لایه خروجی بود. میانگین مربعات خطای MSE برای بخش آموزش برابر با ۰.۰۰۳۴ و برای داده های اعتبارسنجی val_loss: ۰.۰۰۱۲ بود. برای بخش آزمایش، اعتبار سنجی برابر mse_mlp=۰.۰۰۴۸ و val_loss: ۰.۰۰۱۲ بود. نتایج می دهد که بین داده های هواشناسی و PM۱۰ همبستگی معناداری از نوع مستقیم یا معکوسی وجود دارد. نتایج (MLP) نشان داد که شبکه توانسته عملکرد و خروجی مطلوبی را ارائه دهد و پیش بینی قابل قبولی برای داده های PM۱۰ شهر اهواز داشته باشد.

کلیدواژه ها:

Air Pollution ، Time Series ، Neural Network ، Multilayer Perceptron (MLP) ، PM۱۰ ، Regression. ، آلودگی هوا ، سری های زمانی ، شبکه عصبی ، پرسپترون چند لایه (MLP) ، ذرات معلق کمتر از ده میکرون (PM۱۰) ، رگرسیون.