پیش بین غلظت آلاینده PM2.5 با استفاده از شبکه ترکیبی (ANN-GA) مطالعه موردی : شهر ارومیه

به دلیل اهمیت مشکلات مربوط به محیط زیست و سلامتی که ناشی از آلودگی هوا است، روش های پیش بینی آلاینده ها به عنوان یک ابزار مهم در تحقیقات مربوط به آلودگی هوا مد نظر بوده اند. در میان آلاینده های مختلف اثرگذار بر کیفیت هوا، ذرات با قطر آیرودینامیکی کمتر از 5/2 میکرومتر (PM2.5) یکی از مسایل اصلی در مدیریت کنترل آلودگی هوا هستند. در این مطالعه، شبکه های عصبی مصنوعی (ANN) در ترکیب با الگوریتم ژنتیک (GA)، برای پیش بینی ذرات PM2.5 در یک دوره ی کوتاه مدت در شهر ارومیه، استفاده شده اند. از فیلتر Savitzky-Golay (SG) جهت پیش پردازش و هموار سازی داده های ایستگاه انداز ه گیری ذرات PM2.5 استفاده گردید. دو روش پرکردن شکاف داده ها (روش های KNN و SPLINE) به منظور به حداقل رساندن انحراف آموزشی و بهبود دقت شبکه به کار گرفته شده اند. داده های PM10، PM2.5 ، دی اکسید نیتروژن، دی اکسید گوگرد ، مونوکسید کربن و داده های هواشناسی نیز برای این پیش بینی ها استفاده شده اند. طبق نتایج به دست آمده، روش ANN-GA (ترکیب روش های شبکه عصبی مصنوعی و الگوریتم ژنتیک)، یک بهبود 40 درصدی در همبستگی نتایج پیش بینی نسبت به روش شبکه عصبی مصنوعی ارایه داد. خطای MSE 001/0 (در مقیاس 1-0) و ضریب همبستگی R، به مقدار 91/0 در پیش بینی مشاهده گردید.