پيش بيني و مدلسازي غلظت آلاينده مونوكسيدكربن با تلفيق شبكه عصبي- فازي تطبيقي و سيستم اطلاعات جغرافيايي

Prediction and modeling of carbon monoxide concentration with the combination of an adaptive neuro-fuzzy network and GIS

امروزه آلودگي هوا اصلي‌ترين چالش محيطي در كلان ‌شهرها به ‌شمار مي‌رود. بنابراين پايش و پيش بيني پارامتر هاي كيفيت هوا در مناطق شهري امري ضروري است. اين مهم به عوامل متعددي از قبيل توپوگرافي، اقليم، جمعيت و شبكه حمل ‌و ‌نقل بستگي دارد كه نحوه تعامل اين عوامل مكاني به عنوان پديده‌‌اي ديناميك، غيرخطي و داراي ابهام عنوان شده است. در اين تحقيق با به كارگيري شبكه فازي-عصبي و GIS، دانش حاكم بر محيط را در قالب قوانين فازي، از داده‌ها استخراج نموده و با استفاده از اين قوانين، غلظت آلاينده مونوكسيدكربن پيش‌بيني و مدلسازي شد. منطقه مورد مطالعه شهر تهران در نظر گرفته شد. براي انجام اين كار داده‌هاي هواشناسي 6 ايستگاه پايش موجود در سطح شهر در فصل تابستان براي چهار سال متوالي به طور جداگانه به منظور آموزش شبكه مورد استفاده قرار گرفت. براي هر ايستگاه قوانين فازي (سوگنو و ممداني) آن استخراج شده و غلظت آلاينده با استفاده از آن قوانين تخمين زده شد. به علت اينكه پيش‌بيني در ايستگاه‌ها صورت مي‌گيرد، در نهايت براي مدلسازي مكاني غلظت در محدوده مورد مطالعه از روش لاگ كريجينگ استفاده شده است. ميانگين جذر متوسط مربع خطا (RMSe) مجموعه ايستگاه‌ها با قوانين سوگنو، ppm 445/1 و با قوانين ممداني، ppm 374/1 به دست آمد.

Nowadays, air pollution is the main environmental challenge in metropolises. Therefore, it is essential to monitor and forecast air quality parameters in urban areas. It depends upon various factors, including topography, climate, population and transportation network. The relationship between these special factors has been considered as a dynamic, the nonlinear and ambiguous phenomenon. In this study, an adaptive Neuro – fuzzy system and GIS have been used to extract knowledge of environment from data, in terms of fuzzy rules. These rules were used to predict and model carbon monoxide (CO) pollutant concentration. Tehran has been selected as the case study. The data gathered from six meteorological stations, for four consecutive years in summer, in this city were used separately to train the neural network. Fuzzy rules (Sugeno and Mamdani) were extracted for each station and then, using these rules; pollutant concentration was estimated. Having concentration predictions at station points, log- Kriging was used to model the spatial concentration in the area selected as the case study. The results showed that average RMSE of all stations using Sugeno rules is 1.445 and using Mamdani rules is 1.374.