ارزیابی دقت مدل های رگرسیون چندگانه، ARIMA وGRNNدر پیش بینی غلظت ذرات معلقPM2.5

وجود مشکلات و بحران های زیست محیطی در جهان باعث شده است تا طی نیم قرن گذشته اهمیت بحث در مورد محیط-زیست و مسایل زیست محیطی بیشتر شود. در این میان آلودگی هوا به عنوان یکی از معضلات زیست محیطی ده های اخیر در ردیف یکی از زیان بار ترین بلایای طبیعی قرار گرفته است. با توجه به اثر گذاری زیان بار ذرات معلق بر روی سلامت انسانها، پیش بینی مقدار غلظت این ذرات در روزهای آینده می تواند سبب کاهش این اثرات شود. لذا در این مطالعه ازدقت مدل های خطی شامل رگرسیون خطی چندگانه (MLR) و خود رگرسیون میانگین متحرک انباشته (ARIMA) و از مدل غیر خطی شبکه عصبی رگرسیون عمومی (GRNN) برای پیش بینی ذرات معلق PM2.5 در شهر سنندج برای انتخاب دقیقترین مدل مورد آزمون قرار گرفت. مدل شبکه عصبی رگرسیون عمومی در این مطالعه برای اولین بار است که در ایران برای پیش بینی آلودگی اتمسفراستفاده می شود. داده های مربوط به کیفیت هوا شامل PM10، SO2، NO2، CO، O3 و داده های مربوط به هواشناسی شامل میانگین حداقل دما (MinT)، میانگین حداکثر دما (MaxT)، میانگین فشار جوی (AP)، بارش کل روزانه (PR)، رطوبت نسبی روزانه سطح هوا (RH) و سرعت باد روزانه (WS) مربوط به سال 1393 به عنوان متغیر های مستقل و میزان غلظت ذرات معلق PM2.5 به عنوان متغیر وابسته در نظر گرفته شدند. نتایج نشان داد که مدل شبکه عصبی رگرسیون عمومی با مقدار R2=0.81، RMSE=6.9468 و MAE=5در مرحله آموزش و مقدار R2=0.74، RMSE=5.0725و MAE=3.4874 در مرحله آزمون بهترین عملکرد را نسبت به مدل های خطی در پیش بینی ذرات معلق PM2.5در شهر سنندج داشته است.