جمیل امان اللهی

آلودگی هوا یک مشکل رو به رشد است که ناشی از عوامل مختلفی از جمله تراکم بالای ترافیک خودرو و گسترش فعالیت های صنعتی و تجاری می باشدکه همگی با رشد جمعیت شهری افزایش میابد. نظارت و پیش بینی آلاینده های هوا در منطقه شهری به دلیل تاثیر بر سلامت بسیار حائز اهمیت می باشد. در این پژوهش به منظور پیش بینی آلاینده های CO,PM10,SO2,NO2,O3 طی سال های 93، 94، 95 در دو بازه زمانی امروز و فردا در هوای شهر کرمانشاه از دو مدلANFIS و ANN استفاده شد. برای کاهش وابستگی بین متغیرهای مستقل از آزمون هم خطی و به منظور حذف متغیرهای ورودی اضافی و ایجاد زیر مجموعه ای از متغیرهای موثر در پیش بینی از تکنیک FS استفاده شد. متغیرهای وابسته با تاثیر هفت پارامتر هواشناسی دما، رطوبت نسبی، سرعت باد، میزان دید، نقطه شبنم، فشار و بارش در دو مدل ANFIS و ANN پیش بینی شدند و مدل بهینه برای هر آلاینده در هر مدل با استفاده از شاخص های NMSE ,R2 ,FB ,IOA ,RMSE سنجیده و انتخاب شد. بر طبق نتایج حاصل شده از مدل پرسپترون چندلایه و مدل عصبی – فازی در پیش بینی الاینده CO مدل 2 با 6 پارامتر مستقل به عنوان مدل بهینه انتخاب شد. در پیش بینی آلاینده PM10 مدل 4 با 4 متغیر مستقل به عنوان مدل بهینه در نظر گرفته شد. در پیش بینی آلاینده SO2 با مدل عصبی - فازی مدل 3 با 5 پارامتر و در پیش بینی با مدل پرسپترون چند لایه مدل6 با 2 پارامتر به عنوان مدل بهینه تعیین شد. برای پیش بینی الاینده O3 توسط مدل عصبی – فازی مدل 2 با 6 متغیر مستقل و برای مدل پرسپترون چند لایه مدل 5 با 3 متغیر به عنوان مدل های بهینه انتخاب شدند و مدل 2 برای پیش بینی NO2 توسط مدل عصبی – فازی و مدل پرسپترون چندلایه به عنوان مدل بهینه انتخاب شد. با توجه به مطلوب بودن نتایج حاصل از شاخص های ذکر شده در مدل عصبی – فازی، مدل های بهینه انتخاب شده توسط این مدل دارای ارجحیت هستند و این موضوع نشان دهنده دقت و عملکرد بهتر مدل عصبی – فازی نسبت به شبکه عصبی مصنوعی می باشد و استفاده از تکنیک FS در بهینه سازی تعداد متغیرها و افزایش دقت و عملکرد موثر می باشد.