جمیل امان اللهی

چکیده: مقدمه: افزایش مشکلات و بحران های زیست محیطی در جهان باعث شده است تا طی نیم قرن گذشته اهمیت بحث در مورد محیط زیست و مسایل زیست محیطی افزایش یابد. آلودگی هوا در ردیف یکی از زیان بار ترین بلایای طبیعی قرار گرفته است. از آنجایی که شهر تهران یکی از آلوده-ترین شهر ها به حساب می آید از این رو پیش بینی ذرات گردوغبار تا حدی می تواند مفید باشد. روش کار: جهت پیش بینی ذرات معلق PM2.5 و PM10، داده های مربوط به کیفیت هوا شامل PM2.5،PM10، SO2، NO2، CO،O3 و داده های مربوط به هواشناسی شامل میانگین حداقل دما (MinT)، میانگین حداکثر دما (MaxT)، میانگین فشار جوی (AP)، بارش کل روزانه (PR)، رطوبت نسبی روزانه سطح هوا (RH) و سرعت باد روزانه(WS) مربوط به سال 1393-1395 تهیه گردید. از مدل های رگرسیون چند گانه (MLR)، مدل شبکه عصبی پرسپترون چند لایه (MLP)، مدل ترکیبی تجزیه حالت تجربی تجمعی- شبکه عصبی رگرسیون عمومی (EEMD-GRNN) و سیتم استنتاجی فازی عصبی (ANFIS) برای پیش بینی ذرات معلق PM2.5 و PM10 استان تهران استفاده گردید. نتایج: نتایج مدلسازی و پیش بینی مدل ها در هر سه ایستگاه، برتری مدل ANFIS و در رتبه دوم مدل EEMD-GRNN را نشان می دهد. مدل های غیر خطی نسبت به مدل خطی رگرسیون چند گانه خطی (MLR) نتیجه بهتری در رابطه با پیش بینی ذرات معلق داشته اند. شبکه عصبی چند لایه پرسپترون (MLP) نسبت به مدل خطی نتایج بهتری رو ارائه کرده اما نسبت به دیگر مدل های غیر خطی کارایی بهتری نداشته است. بحث و نتیجه گیری: در کل مدل ANFISنسبت به سایر مدل ها به نتایج بهتری دست یافته است. بر خلاف سایر مدل ها مدل ANFIS از سیستم فازی برای تعلیم و یادگیری داده ها استفاده کرده و از یکسری قوانین بهره می گیرد و باعث کارایی بالای این مدل می شود.