پیش‌بینی غلظت آلاینده‌های گازی در هوای شهر تبریز با استفاده از شبکه عصبی

نوع مقاله : یادداشت پژوهشی

نویسندگان

1 کمیته تحقیقات دانشجویی، دانشگاه علوم پزشکی تبریز

2 دانشکده مهندسی شیمی، مرکز تحقیقات مهندسی محیط زیست، دانشگاه صنعتی سهند

3 گروه مهندسی بهداشت محیط، دانشکده بهداشت، دانشگاه علوم پزشکی تبریز

4 گروه مهندسی شیمی، دانشگاه صنعتی ارومیه

چکیده

آلودگی هوا به عنوان یک چالش مهم در شهرهای بزرگ مطرح می­باشد که در نتیجه صنعتی شدن، گسترش شهرنشینی، رشد سریع ترافیک و افزایش فعالیت­های انسان تشدید شده است. آلاینده­های هوا باعث بروز اثرات منفی بر سلامت انسان و تخریب محیط زیست شده لذا آگاهی از غلظت آلاینده­ها می­تواند به عنوان اطلاعات کلیدی در برنامه­های کنترل آلودگی مورد استفاده قرار گیرد. روش­های متعددی برای پیش­بینی غلظت آلاینده­های هوا وجود دارد و در این میان، در سال­های اخیر پیشرفت قابل توجهی در توسعه مدل­های شبکه عصبی برای پیش­بینی غلظت آلاینده های هوا صورت گرفته است. در این مطالعه، از شبکه­های عصبی مصنوعی به منظور پیش­بینی غلظت آلاینده­هایCO، SO2 و NOXدر هوای شهر تبریز استفاده شده است. داده­های غلظت آلاینده­ها از ایستگاه سنجش ثابت مستقر در میدان نماز و داده­های هواشناسی شامل سرعت و جهت باد، دما و رطوبت هوا از اداره کل هواشناسی جمع­آوری شده و پس از نرمال­سازی به عنوان متغیرهای ورودی شبکه عصبی مورد استفاده قرار گرفت. تعداد 5-3 لایه مخفی و 25-8 نرون در هر لایه مخفی نتایج قابل قبولی داشته است. از تابع تانژانت سیگموئید به عنوان تابع انتقال و الگوریتم لونبرگ مارکوآت برای بهینه­سازی وزن­ها و بایاس­های شبکه استفاده شد. بر اساس نتایج به دست آمده، شبکه عصبی مصنوعی روشی قابل اعتماد برای پیش­بینی غلظت ساعتی آلاینده­های هوا بوده به طوری که، ضریب همبستگی بالای 90/0 بین غلظت آلاینده­های پیش­بینی شده و غلظت واقعی آلاینده­های CO، SO2 و NOX به دست آمد.

کلیدواژه‌ها


عنوان مقاله [English]

Forecasting Concentrations of Gaseous Air Pollutants Using Artificial Neural Networks in Tabriz

نویسندگان [English]

  • Nahideh Mohammadi 1
  • Khaled Zoroufchi Benis 2
  • Mohammad Shakerkhatibi 3
  • Esmaeil Fatehifar 2
  • Alireza Behrooz Sarand 4
  • Amir Mahmoudian 1
  • Farid Sheikholeslami 1
1 Student Research Committee, Tabriz University of Medical Sciences
2 Faculty of Chemical Engineering, Environmental Engineering Research Center, Sahand University of Technology
3 Department of Environmental Health Engineering, Tabriz University of Medical Sciences
4 Department of Chemical Engineering, Urmia University of Technology
چکیده [English]

Today, air pollution is considered as an important and challenging problem in the megacities all over the world. It is usually caused due to industrialization, urbanization, rapid development in traffic and increasing amounts of anthropogenic emissions. Urban air pollution in developing countries has been represented as a growing problem for communities. Reliable forecasting of air pollution would allow taking more efficient countermeasures to prevent air pollution crisis and protect public health. The artificial Neural Network (ANN) has emerged out to be more flexible, less assumption dependent and adaptive methodology to obtain reliable prediction values of air pollutants. ANNs have been shown to be quite powerful in capturing the complex and usually nonlinear relationships between meteorological variables and air pollutant concentrations [1-3].
 

کلیدواژه‌ها [English]

  • Air pollution
  • Artificial neural network
  • Forecasting
[1]        Karaca, F., Nikov, A., Alagha, O., "NN-Airpol: A Neural-Networks-Based Method for Air Pollution Evaluation and Control", International Journal of Environment and Pollution, 2006, 28 (3/4), 310-325.
[2]        WHO, "Fact Sheet on Outdoor Air Pollution (No 313): Air Quality and Health", http://www.who.int/mediacentre/factsheets/ fs313/en/index.html, 2008.
[3]        Anderson, H. R., "Air Pollution and Mortality: A History", Atmospheric Environment, 2009, (43), 142-152.
[4]        Jiang, D., Zhang, Y., Hu, X., Zeng, Y., Tan, J., Shao, D., "Progress in Developing an ANN Model for Air Pollution Index Forecast", Atmospheric Environment, 2004, 38 (40), 7055-7064.
[5]        Boznar, M., Lesjak, M., Mlakar, P., "A Neural Network-Based Method for Short-Term Prediction of Ambient SO2 Concentrations in Highly Polluted Industrial Areas of Complex Terrain", Atmospheric Environment, 1993, 27B (2), 221-230.
[6]        Gardner, M. W., Dorling, S. R., "Neural Network Modeling and Prediction of Hourly NOX and NO2 Concentrations in Urban Air in London", Atmospheric Environment, 1993, 33, 709-719.
[7]        Postolache, O., Girao, M., Pereira, M., "Neural Network Application in a Carbon Monoxide Measurement System", International Joint Conference on Neural Network, 2001, 3, 2076-2081.
[8]        Hooyberghs, J., Mensink, C., Dumont, G., Fierens, F., Brasseur, O., "Neural Network Forecast for Daily Average PM10 Concentrations in Belgium", Atmospheric Environment, 2005, 39, 3279-3289.
[9]        Ming, C., Yafeng, Y., Min, X., "Prediction of Hourly Air Pollutant Concentrations near Urban Arterials Using Artificial Neural Network Approach", Transportation Research, 2009, 14, 32-41.
[10]     Hrust, L., Klaic, Z. B., Krizan, J., Antonic, O., Hercog, P., "Neural Network Forecasting of Air Pollutants Concentrations Using Optimized Temporal Averages of Meteorological Variables and Pollutant Concentrations", Atmospheric Environment, 2009, 43, 5588-5596.
[11]     Mousavi, M. S., Rahimi, A., "The Application of Artificial Neural Network in Prediction of CO Concentration: A case study of Tabriz", Iranian Journal of Natural Resources, 2008, 61 (3), 681-691.
[12]     Bodaghpour, S., Charkhestani, A., "Prediction of Gas Pollutants Concentration by Means of Artificial Neural Network in Tehran Urban Air", Journal of Environmental Science and Technology, 2011, 13 (1), 1-10.
[13]     Arhami, M., Kamali, N., Rajabi, M. M., "Predicting Hourly Air Pollutant Levels Using Artificial Neural Networks Coupled with Uncertainty Analysis by Monte Carlo Simulations", Environmental Science and Pollution Research, 2013, 20, 4777-4789.
[14]     Shakerkhatibi, M., Mohammadi, N., Zoroufchi Benis, K., Behrooz Sarand, A., Fatehifar, E., Asl Hashemi, A., "Using ANN and EPR Models to Predict Carbon Monoxide Concentrations in urban Area of Tabriz", Environmental Health Engineering and Management Journal, 2015, 2, 117-122.
[15]     Shahin, M. A., Jaksa, M. B., Maier, H. R., "State of the Art of Artificial Neural Networks in Geotechnical Engineering", Electronic Journal of Geotechnical Engineering, 2008, 8, 1-26.
[16]     Giustolisi, O., Doglioni, A., Savic, D. A., Webb, B. W., "A Multi-Model Approach to Analysis of Environmental Phenomena", Environmental Modelling and Software, 2007, 22, 674-682.
[17]     Demuth, H., Beale, M., "Neural Network Toolbox users Guide", Copyright 1992-2002, by the Math Works, Inc, Version 4, 840PP.
[18]     Viotti, P., Liuti, G., Di Genova, P., "Atmospheric Urban Pollution: Applications of an Artificial Neural Network (ANN) to the City of Perugia", Ecological Modeling, 2002, 148, 27-46.
[19]         Calvert, J. G., Orlando, J. J., Stockwell, W. R., Wallington, T. J., "The Mechanisms of Reactions Influencing Atmospheric Ozone", 2015, Oxford University Press.