استفاده از شبكه بازگشتي NAR براي پيش بيني غلظت مونوكسيد كربن

زمينه و هدف: آلودگي هوا يكي از مشكلات مهم شهر‌هاي بزرگ محسوب مي‌شود. يكي از اهداف مسئولين شهري آگاهي از ميزان كيفيت هوا در آينده است؛ براي پيشبيني كيفيت هوا، بايد غلظت هريك از آلاينده‌ها مدلسازي شده و با استفاده از مدل ايجاد شده، نسبت به پيشبيني مقادير هريك از آلاينده‌ها اقدام شود. با توجه به اينكه مونوكسيد كربن يكي از آلاينده‌هاي مهم هوا است، و تاثيرات زيانباري بر سلامت انسان دارد. روش بررسي: در اين مقاله به مدلسازي و پيشبيني 24 ساعته غلظت مونوكسيد كربن با استفاده از شبكه‌هاي عصبي بازگشتي NAR و مدل آماري ARMA پرداخته شده و سپس نتايج اين دو روش با يكديگر مقايسه شده است. براي اين منظور از داده‌هاي سال 2009 از 29 نوامبر تا 31 دسامبر، مربوط به غلظت آلاينده مونوكسيدكربن اندازه‌گيري شده در ايستگاه آزادي از ايستگاه‌هاي پايش كيفيت هوا متعلق به سازمان محيط زيست استان تهران استفاده شده است. يافته‌ها: نتايج مدلسازي نشان مي‌دهد كه شبكه عصبي NAR داراي دقت بهتري نسبت به روش ARMA  براي پيشبيني و مدلسازي غلظت مونوكسيد كربن است. شبكه عصبي NAR با MSE كمتر از 6/1 دقت مناسبي در پيشبيني غلظت آلاينده مونوكسيد كربن داشت. همچنين همبستگي بين مقادير پيشبيني شده و مقادير واقعي براي شبكه عصبي NAR، 84 درصد مي‌باشد. در حالي كه مدل ARMA داراي MSE برابر 46/5  و ضريب همبستگي 72 درصد مي باشد. نتيجه‌گيري: مي‌توان نتايج پيشبيني را جهت آگاه‌سازي عمومي در اينترنت و شبكه‌هاي جمعي منتشر كرد. همچنين نتايج مدلسازي و پيشبيني مي‌تواند براي مديريت بهتر آلودگي هوا توسط مديران مورد استفاده قرار گيرد. نتايج اين تحقيق نشان مي‌دهد كه شبكه عصبي NAR قابليت بسيار بالايي در پيشبيني سري زماني غاظت مونوكسيدكربن دارد.