جمیل امان اللهی

امروزه آلودگی هوا و بحران های زیست محیطی حاصل از آن یکی از مهمترین دغدغه های پیش روی جوامع توسعه یافته و در حال توسعه می باشد که تاثیرات مهمی بر سلامتی انسان ها دارد. از این رو پیش بینی غلظت ذرات معلق در هوا برای کنترل و کاهش آلودگی هوا مهم است. از میان ذرات معلق، PM2.5 یکی از عوامل اصلی آلودگی هوا هستند که عموما ناشی از سوختن سوخت های فسیلی مانند نفت، گاز و زغال سنگ، رفت و آمد ماشین ها، ذوب فلزات، سوخت نیروگاه ها و آتش سوزی جنگل ها می باشد. آگاهی از میزان غلظت آلاینده های هوا می تواند از بروز بسیاری از بیماری-ها و تاثیر آن ها بر سلامتی انسان موثر باشد. در پیش بینی میزان آلاینده ها در سطح جهانی با مشکل ناشی از کم برازش رو به رو هستیم که در آن الگوریتم، یک مدلِ خیلی کلی از مجموعه آموزشی را ارائه می دهد در مقابل نیز پیش بینی در سطح محلی نیز دارای مشکل بیش برازش یا تعمیم ضعیف هستند در نتیجه، پیش بینی آلودگی هوا براساس مدل های محلی نیاز به پرداختن به دوگانگی جهانی - محلی دارد. بدین منظور در این پایان نامه از مدل هیبریدی تجزیه کامل حالت تجربی گروه با نویز تطبیقی - شبکه عصبی رگرسیون عمومی (CEEMDAN-GRNN) برای پیش-بینی کیفیت هوای شهر ارومیه استفاده شده است. داده های مربوط به کیفیت هوای شهر ارومیه شامل ذرات معلق کمتر از 10 میکرون (PM10)، ذرات معلق کمتر از2.5 میکرون (PM2.5)، مونواکسید کربن (CO)، دی اکسید سولفور (SO2)، دی اکسید نیتروژن (NO2) طی سال های 1397-1395 از اداره کل حفاظت محیط زیست و داده های هواشناسی شامل میانگین حداقل دما (MinT)، میانگین حداکثر دما (MaxT)، میانگین فشار جوی (AP)، بارش کل روزانه (R)، میانگین حداکثر رطوبت نسبی روزانه سطح هوا (MAXH)، میانگین حداقل رطوبت نسبی روزانه سطح هوا (MINH) و سرعت باد روزانه (WS) در دوره زمانی 1397-1394 از اداره کل هواشناسی استان آذربایجان غربی تهیه گردید. در این مدل ترکیبی ابتدا با استفاده از مدل حالت تجربی تجمعی مکمل با نویز تطبیقی سیگنال PM2.5 به هشت تابع حالت ذاتی و یک باقیمانده تجزیه گردید که باقیمانده نیز به عنوان تابع حالت ذاتی در نظر گرفته شد. سپس در مرحله بعد با استفاده از مدل شبکه عصبی رگرسیون عمومی میزان غلظت PM2.5 روز بعد پیش بینی می شود. به جهت بررسی میزان دقت و نحوه عملکرد مدل پیشنهاد شده، این مدل با مدل های GRNN EEMD- ، EEMD-ELM و CEEMDAN-ELM مقایسه شد که پس از بررسی نتایج به دست آمده مشخص گردید با مقدار معیارهای ارزیابی خطا شامل2.0129 RMSE=، MAE=1.2162 وR2=0.98 در مرحله آموزش و RMSE=2.7225، MAE=2.2668 و R2=0.81 در مرحله آزمون، مدل پیشنهاد شده عملکرد بهتر و دقت مناسبتری را نسبت به سایر مدل های مورد بررسی داشته است.