عنوان	پیش‌بینی غلظت PM2.5 با استفاده از روش ترکیبی تجزیه ی و شبکه عصبی
نوع پژوهش	مقاله چاپ‌شده در مجلات علمی
کلیدواژه‌ها	پیش‌بینی ذرات‌معلق PM2.5 تبدیل موجک تجزیه مد متغیر شبکه عصبی پس‌انتشار
چکیده	زمینه و هدف: یکی از شاخص های مهم در بحث کیفیت هوا، غلظت ذرات معلق PM2.5 می باشد. بدین منظور در این پژوهش از مدل ترکیبی تبدیل موجک گسسته حداکثر هم پوشانی-تجزیه مد متغیر–شبکه عصبی پس انتشار (MODWT-VMD-BPNN) بر پایه تکنیک تجزیه دو مرحله‌ای برای پیش‌بینی ذرات‌معلق PM2.5 شهر ارومیه استفاده شده است. مواد و روش ها: سری داده‌های اصلی ذرات معلق PM2.5 ابتدا توسط مدل تبدیل موجک گسسته حداکثر هم پوشانی به دوسطح جزئیات با فرکانس بالا (d1 و d2) و یک سطح تقریب با فرکانس پایین (a2) تجزیه و در مرحله دوم هر کدام از سطوح جزئیات و سطح تقریب توسط مدل تجزیه مد متغیر به 8 مود متغیر تجزیه شد. سپس هر کدام از مدهای متغیر توسط شبکه عصبی پس انتشار مدلسازی و پیش بینی شدند. یافته ها: بر اساس نتایج مدل های ترکیبی (MODWT-BPNN) و (VMD- BPNN) نسبت به مدل تکی شبکه عصبی پس انتشار (BPNN) عملکرد بهتری داشته اند. و در بین مدل های ترکیبی مدل (MODWT-BPNN) به دلیل تحلیل سیگنال هایی دارای تغییرات ناگهانی و ناپیوستگی موضعی به وسیله ی موجک ها عملکرد بهتری نسبت به مدل (VMD-BPNN) دارد. مدل ترکیبی تجزیه دو مرحله ای ((MODWT-VMD-BPNN نسبت به دیگر مدل های تجزیه ای تک مرحله ای و مدل تکی شبکه عصبی پس انتشار با مقادیر معیارهای ارزیابی خطا شامل 2/8582= RMSE=3/8074 MAE و آماره 0/92 = R در مرحله آموزش و 2/1840 = RMSE = 2/7679 MAE و آماره 0/80= R در مرحله آزمون، عملکرد بهتری داشته است. نتیجه گیری: مدل های تجزیه ای دو مرحله ای با تجزیه سطح جزئیات و سطح تقریب به 8 مود می تواند مشکل آمیختگی مدها را حل کند و پیش بینی میزان غلظت PM2.5 را با دقت بهتری انجام دهد لذا این مدل می تواند برای پیش بینی آلاینده های جوی به کار گرفته شود.
پژوهشگران	صلاح بایزیدی (نفر اول)، جمیل امان اللهی (نفر دوم)