زینب اکبری مطلق - دانشجوی کارشناسی ارشد، دانشگاه بیرجند
محمدجواد ذوقی - استادیار، دانشگاه بیرجند
مرتضی عراقی - استادیار، دانشگاه بیرجند
محمدرضا دوستی - استادیار، دانشگاه بیرجند

تهران همواره با آسیب های ناشی از آلودگی هوا مواجه است؛ عمده آلودگی ها ناشی از وسایل نقلیه می باشد. امروزه شبکه های عصبی مصنوعی، کمک شایانی برای مدیریت آلودگی هوای تهران می کنند. هدف این مقاله تشخیص و انتخاب ورودی های مناسب و بهینه سازی شبکه جهت بهبود عملکرد آن و پیش بینی غلظت آلاینده ازن برای ۲۴ ساعت آینده می باشد. در این مقاله، از شبکه عصبی پرسپترون چندلایه جهت پیش بینی و مدل سازی ازن استفاده شده است. علاوه بر بررسی اثر پارامترهای جوی تاثیر سایر آلودگی ها بر آلودگی هدف بررسی شد. ازن و NOx ها با یکدیگر مرتبط هستند، چرا که ازن سطح زمین به دنبال تشعشع UV به NOx تولید می شود. بنابراین برای پیش بینی غلظت ازن در ۲۴ ساعت آینده، از غلظت NO۲ هم استفاده شده است. ورودی های هواشناسی شامل دمای هوا، سرعت باد، میزان بارش، رطوبت نسبی هوا است. از آنجا که رفتار ترافیکی مردم نیز بر روی کیفیت هوا بسیار موثر است، تاثیر آن از طریق جداسازی داده های نوروز و لحاظ کردن پارامتر روز و ماه اعمال شده است. غلظت آلاینده روز قبل از دیگر پارامترهای موثر بر مدل سازی آلودگی هواست که استفاده شده است. داده های استفاده شده مربوط به ۱۰ سال اخیر منطقه اقدسیه تهران است. شبکه پیشنهادی بهینه دارای یک لایه پنهان، ۱۳ نرون و توابع انتقال تانژانت هایپربولیک و خطی در لایه پنهان و خروجی است. الگوریتم های پس انتشار خطا و تابع آموزشی لونبرگ-مارکوآت به کار گرفته شده است. ضریب همبستگی ۰/۸۴۷۹۷ و ریشه میانگین مربعات خطا برابر ۰/۱۲۷۶۰ بیانگر عملکرد مناسب شبکه طراحی شده برای مدلسازی غلظت O۳ است

آلاینده ازن، آلودگی هوا ، شبکه های عصبی