اثر پوشش گياهي شهري در كاهش آلودگي صوتي با استفاده از شبكه عصبي مصنوعي

The impact of urban vegetation cover in noise pollution reduction using artificial neural network

آﻟﻮدﮔﯽ ﺻﻮﺗﯽ، از ﻣﻌﯿﺎرهاي مهم براي تعيين كيفيت زندگي در شهرها محسوب مي‌شود و رفاه اجتماعي را تحت تأثير خود قرار مي‌دهد. در اين راستا پوشش گياهي و فضاي سبز نقش بسيار مؤثري در كنترل و كاهش آلودگي شهرها دارند. ارزيابي و مدل ساختار و تركيب مؤثر پوشش گياهي در كنترل آلودگي صوتي در شهرها همچنان با محدوديت بسياري در مطالعات روبرو است به طوري كه هدف اصلي اين پژوهش قرار گرفته است. نمونه‌گيري شدت صوت در 100 ايستگاه در بوستان‌ها و معابر مناطق 2 و 5 شهر تهران انجام شد. جهت مدل‌سازي ميزان كاهش شدت صوت (Leq) در ديوار صوتي گياهي از روش مدل‌سازي شبكه عصبي مصنوعي و با استفاده از 9 متغير پوشش گياهي انجام شده است. با توجه به نتايج، مدل به دست آمده با ساختار 1-24-9 (9 متغير ورودي، 24 نورون در لايه مخفي و يك متغير خروجي) با توجه به بيشترين مقدار ضريب تبيين در سه دسته داده آموزش، اعتبارسنجي و آزمون معادل 98/0، 92/0 و 9/0، بهترين عملكرد بهينه‌سازي ساختار را نشان مي‌دهد. بر اساس نتايج آناليز حساسيت مدل، عرض ديوار، ميانگين ارتفاع درختان، و ميانگين قطر تاج درختچه‌ها با ضريب اثرگذاري 72/0، 44/0و 15/0، به ترتيب بيشترين تأثير را در كاهش شدت صوت در ديوارهاي صوتي گياهي شهري از خود نشان مي‌دهند مدل ارائه شده در اين پژوهش به عنوان يك سيستم پشتيبان تصميم‌گيري در طراحي مهندسي ديوارهاي صوتي گياهي در شهرها شناخته شده است به طوريكه امكان پيش‌بيني راندمان اين ديوارها را با توجه به متغيرهاي ساختاري آنها به خوبي فراهم مي‌كند.

Noise pollution is an important factor in determining the quality of life in cities and affects social welfare. In this regard, vegetation and green space have an effective role in controlling and reducing urban pollution. Evaluation and modeling of the effective structure and composition of vegetation to control noise pollution in cities reveals the limitation in studies so it has been chosen as the main goal of this research. Noise intensity sampling was performed at 100 stations in parks and passages in urban districts 1 and 2 of Tehran. In order to model the amount of noise reduction (Leq) in the vegetation acoustic wall, artificial neural network modeling was performed using 9 vegetation variables. According to the results, the model with 9-24-2 structure (9 input variables, 24 neurons in the hidden layer and one output variable) with respect to the highest value of coefficient of determination in the three categories of training data, validation and test equal to 0.98, 0.92 0 and 0.9 reveals the best structure optimization performance. Based on the results of model sensitivity analysis, wall width, the mean height of trees, and the mean diameter of canopy with the coefficients of 0.72, 0.44 and 0.15, respectively, were the most effective in reducing the noise intensity in the plant acoustic walls, respectively. The model presented in this study is known as a decision support system in design of vegetation acoustic walls in cities and enables the prediction of the efficiency of these walls with respect to structural variables.