استفاده از شبکه بازگشتی NAR برای پیش بینی غلظت مونوکسید کربن

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.
در این مقاله به مدلسازی و پیشبینی 24 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 2009 از 29 نوامبر تا 31 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.
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 6/1 دقت مناسبی در پیشبینی غلظت آلاینده مونوکسید کربن داشت. همچنین همبستگی بین مقادیر پیشبینی شده و مقادیر واقعی برای شبکه عصبی NAR، 84 درصد می باشد. در حالی که مدل ARMA دارای MSE برابر 46/5 و ضریب همبستگی 72 درصد می باشد.
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.