بررسی روابط بین عناصر آب و‌ هوایی و نوسانات آلودگی هوا (مورد: شهر مشهد)

نوع مقاله : پژوهشی

نویسندگان

1 دانشگاه خوارزمی تهران

2 خوارزمی تهران

چکیده

هدف اصلی تحقیق استفاده از مدلی است که بتواند بین عناصر اقلیمی و آلودگی هوا ارتباط برقرار کند. بدین منظوراز سه مدل متفاوت شبکه عصبی احتمالی، مدل رگرسیون خطی و مدل پرسپترون چندلایه استفاده شد. برای این تحقیق از آمار یک ساله‌ی اداره‌ی حفاظت محیط زیست مشهد استفاده شد. این ‌آمار مربوط به آلاینده های هوا شامل (CO- NO- O3- SO2) و آمار هواشناسی شامل پارامترهای اقلیمی (رطوبت نسبی، درجه حرارت، جهت‌ باد و سرعت باد)‌ می‌باشد. داده‌ های آلودگی هوا از تعداد 11 ایستگاه آلوده سنجی جمع‌آوری شده است. این داده‌ها به صورت ساعتی بوده و سپس از آنها میانگین گرفته شد.پس‌ازدرون‌یابی ‌فاصله ‌معکوس ‌وزندار وتحلیل داده‌ها به منظور پیش‌بینی روابط داده‌ها با استفاده از مدل شبکه عصبی داده‌ها به دسته‌های آموزشی(70%)، ارزیابی(15%)‌ و تست(15%) طبقه بندی شدند. در این تحقیق برای تحلیل، از دسته‌ی داده‌های آموزشی استفاده شد. نتایج نشان داد‌ که میزان میانگین مربعات خطا(MSE) و میانگین مطلق خطا (MAE) در مدل شبکه عصبی احتمالی‌ پایین‌تر بوده و نتایج نشان داده است که مدل شبکه عصبی احتمالی، توانسته است رابطه منطقی بین آلودگی هوا و پارامترهای هواشناسی برقرار کند. از بین عناصر اقلیمی تاثیرگذار بر منواکسید کربن، رطوبت نسبی در ساعت 12:30و جهت باد بیشترین اثر را داشته‌اند، همچنین عواملی اقلیمی تاثیرگذار بر غلظت دی‌اکسید گوگرد رطوبت نسبی در ساعت 6:30 و درجه حرارت مطلق‌ بوده است.

کلیدواژه‌ها


انتظاری، علی‌رضا (1384)؛ مطالعه آماری وسینوپتیکی آلودگی هوای تهران؛ استاد راهنما، بهلول علیجانی‌. پایان نامه دکتری آب وهواشناسی؛ دانشگاه تربیت معلم.
اصغری مقدم، اصغر; نورانی، وحید; ندیری، عطاالله.(1387). مدل سازی بارش دشت تبریز با استفاده از شبکه‌های عصبی مصنوعی، مجله دانش کشاورزی، شماره 1، صص1-15.
تقوی، هدی. دانش، شهناز. مساعدی ابولفضل;(1391); مقایسه کارایی مدل های شبکه عصبی مصنوعی ورگرسیون خطی در پیش‌بینی غلظت روزانه منواکسید کربن بر اساس پارامتر های هواشناسی. همایش ملی جریان و آلودگی هوا. صص1-6.
خزاعی، الهه.آل شیخ ، علی اصغر.کریمی، محمد.وحیدنیا، محمدحسن(1391);مقایسه دو روش مدل سازی با استفاده از شبکه عصبی-فازی در پیش‌بینی غلظت آلاینده منواکسید کربن.مجله محیط شناسی، شماره4 .صص 29-44.
علیجانی؛ بهلول،. نجفی نیک؛ زهرا؛ (1388). بررسی الگوهای سینوپتیکی اینورژن در مشهد با استفاده از تحلیل عاملی. جغرافیا وتوسعه ناحیه‌ای؛ شماره12، صص1- 11.
حبیب‌پور، کرم; صفری، رضا. (1390) راهنمای جامع کاربرد SPSS در تحقیقات پیمایشی. چاپ چهارم.انتشارات لویه. صص444-447.
حقیقت ضیابری،سیده مرضیه;حقیقت ضیابری،سیده مریم;دوستان،رضا;حسین زاده،سیدرضا.(1392).بررسی الگوهای همدید موثر بر آلودگی هوا در کلان شهر مشهد. ،مجله جغرافیا وتوسعه ناحیه ای ;صص 82-100
گلریزضیایی، زهرا.صادقی حصار، حمید.معتمدی، محمد.ژاله رجبی، میترا.پیش‌بینی، ارزش گذاری و ترسیم نقشه آلودگی هوای شهر مشهد: مطالعه موردی گاز منواکسید کربن(1389)، صص1-11.
میرستار، صدرموسی. رحیمی؛ اکبر. (1388). مقایسه نتایج شبکه های عصبی پرسپترون چندلایه با رگرسیون چندگانه در پیش بینی غلظت ازن در شهر تبریز. پژوهش‌های جغرافیای طبیعی؛ شماره71؛ صص 65-72.
موسوی، محمد. معروف؛ محمدصادق. نائینی؛ امین. (1381). بررسی پتانسیل تشکیل مه‌دود فتوشیمیایی ناشی از صنایع در مشهد؛ نشریه‌ نیوار. صص 44و45.
یاوری، حسین. سلیقه؛ محمد.(1390). سطوح وارونگی در آلودگی‌های شهرتهران. تحقیقات کاربردی علوم جغرافیایی؛ شماره20، صص 89- 105.
Croxford, B., Penn, A., Hillier, B. (1996). Spatial distribution of urbanollution: civilizing urban traffic, Science of the Total Environment, 190, 3–9.
Comrie،AndrewC.(1997).Comparing eural networks and regression models for ozone forecasting, Journal of Air & Waste Management, 47(6), 653- 663.
Conrads، P.A., Roehle, E. A. (1999). Comparing Physics- Based and Neural Network Mo
Simulating Salinity، Temperature and Dissolved in a Complex، Tidally Affected River Basin،Proceeding of the South Carolina Environmental Conference, 1-15.
Deleaw, S., Kusznir, J., Lamb, B., Cook, D. (2010)، Predicting air quality
in smart environments, Journal of Ambient Intelligence and Smart Environments,2,145- 154.
Fabio Tramuto. Cusimano, R., Cerame, G., Vultaggio, M., Calamusa, G., Maida,
G. M., Vitale, F. (2011). Urban air pollution and emergency room admissions for
respiratory symptoms: a casecrossover study in palermo، italy. Environmental
Health, 10(31), 1-11.
Fulop, I. A., Jozsa، J., Karamer. T. (1998). A neural network application in estimating wind
induced shallow lake motion. Hydro informatics, 98, 753-757.
Hooyberghs, J., Mensink, C., Dumont, G., Fierens, F., Brasseur, O. ( 2005). A neural network forecastfor daily average PM10 concentrations in Belgium. Atmospheric Environment, 39, 3279–3289.
Piringer, M., Kukkonen, J. (2002). Mixing height and inversions in urban
areas. In: Piringer, M., Kukkonen, J. (Eds. ). Proceedings of workshop, 3–4October 2001، Toulouse, France. COST Action 715، EUR 20451,EuropeanCommission، Brussels.،113.
Kaan Yetilmezsoy. Erturk،F.. (2010). A neural network- based approach for the
prediction of urban SO2 concentrations in the Istanbul metropolitan area. Int. J. Environment and Pollution, 40 (4),301- 3 19.
Ranjithan, S., Eheart, J. W., & Garrett, J. H. (1995). Application of neural network in groundwater remediation under conditions of uncertainty. In Z. W. Kundzewicz (Ed.), New uncertainty concepts in hydrology and water resources,133-140. Cambridge University Press.
Vedat, U., Ozkan, O., Koyuncu, I., Deniz Demirba, ،K. (2012). Modeling Air Pollutantsin Turkey with Artificial Neural Network and Multiple LineerRegression. Iccit, 79- 83.
CAPTCHA Image