ارائه یک چارچوب جهت پیش بینی غلظت آلاینده های هوا با استفاده از داده های سنجش از دور مبتنی بر شبکه عصبی مصنوعی- موجکی در کلانشهر تهران

در کشورهای درحال توسعه، اکثر شهرهای بزرگ به طور فزاینده ای با آلودگی هوا به عنوان عاملی تاثیرگذار بر کیفیت زندگی و سلامت عمومی جامعه مواجه هستند. ناحیه کلان شهری تهران نیز به واسطه تراکم جمعیتی بالا یکی از مناطق مهم در ایران محسوب می گردد. صنایع آلاینده به همراه استفاده از وسایل نقلیه از جمله مهم ترین عواملی محسوب می گردد که موجب شده است تا این شهر به عنوان آلوده ترین کلان شهر کشور محسوب گردیده و متعاقبا لازم است تا در جهت کاهش آلودگی هوا در این شهر برنامه ریزی موثری انجام شود. یکی از مهم ترین اقدامات در زمینه کاهش آلودگی هوا، پیش بینی مقادیر غلظت آلاینده ها می باشد که می تواند تصمیم گیری و برنامه ریزی و ارایه راهکارهای مناسب را بهبود بخشد. ازآنجایی که نیاز به روش های دقیق تر برای پیش بینی آلاینده های هوا جهت مدیریت بهتر این مقوله وجود دارد، به نظر می رسد استفاده از روش های ترکیبی جهت مدل سازی آلاینده ها می تواند حرکتی مهم در این راستا باشد. در این پژوهش، پارامترهای تاثیرگذار بر غلظت آلاینده ها در قالب 4 دسته عوامل ترافیکی، غلظت آلاینده ها در روزهای قبلی، داده های هواشناسی و عوامل مکانی به عنوان ورودی مدل ها مورداستفاده قرار گرفتند و ماکزیمم غلظت آلاینده ها در هر روز به عنوان خروجی مدل در نظر گرفته شد. هدف این پژوهش بررسی عملکرد روش های انتخاب ویژگی جنگل تصادفی و تبدیل موجک در ترکیب با روش های رگرسیون چندمتغیره و شبکه عصبی مصنوعی پرسپترون چندلایه، جهت دستیابی به مدلی کارا به منظور پیش بینی آلاینده های منو اکسید کربن، دی اکسید نیتروژن، دی اکسید گوگرد و PM2.5 می باشد. نتایج به دست آمده نشان داد که مدل سازی همه آلاینده ها با استفاده از شبکه عصبی پرسپترون چندلایه در ترکیب با روش تبدیل موجک صحت بالاتری را نسبت به مدل های دیگر ارایه می نماید. همچنین صحت پیش بینی آلاینده منو اکسید کربن (خطای استاندارد برابر با 8/19 درصد) نسبت به آلاینده های دیگر پایین تر بود درحالی که صحت پیش بینی آلاینده PM2.5 (خطای استاندارد برابر با 0/17 درصد) بالاتر از سایر آلاینده ها بود. علاوه بر این، باتوجه به پارامترهای انتخاب شده توسط روش انتخاب ویژگی با استفاده از جنگل تصادفی، پارامترهای غلظت آلاینده ها در روزهای قبل از اهمیت بالایی به منظور پیش بینی آلاینده های مختلف برخوردارند.