یکی ازعوامل مهم در سنجش آلاینده های هوا در شهری مثل تهران، جانمایی ایستگاه های سنجش آلودگی هوا است .هر تلاشی در زمینه کاهش و کنترل آلودگی هوا به داده های آلودگی هوا احتیاج دارد. بنابراین موقعیت مکانی ایستگاه ها از حساسیت بالایی برخوردار است. تاکنون مدل های متعددی جهت پیش بینی آلودگی هوا و جانمایی ایستگاه های سنجش آلودگی هوا توسط محققان، پیشنهاد شده است. مدل های پیشنهادی، اغلب مبتنی بر روش های آماری مثل رگرسیون خطی و روش های جغرافیاییgis هستند. در این پژوهش، مدلی جدید براساس مدل شبکه عصبی پرسپترون چندلایهmlp و با استفاده از داده های هواشناسی ایستگاه های مختلف تهران، در دوره آماری دو ساله (1389تا 1390)، برای جانمایی ایستگاه های سنجش آلودگی هوا ارائه شده است. به این منظور، پس از انجام مراحل پیش¬پردازش داده¬ها، برای جانمایی ایستگاه¬ها، یعنی مشخص کردن نقاطی که باید ایستگاه جدید سنجش آلودگی هوا قرار گیرد یک شبکه grid در شهر تهران به فاصله خطوط 5/0 کیلومتر رسم شد و میزان co تمام نقاط روی grid را پیش¬بینی کردیم. نقاطی که بیش¬ترین نوسان آلودگی در روزهای مختلف را داشتند برای نصب ایستگاه سنجش آلودگی هوا معرفی شدند. برای انجام این کار مراحل زیر را انجام دادیم: به¬دست آوردن پارامترهای هواشناسی برای هر ایستگاه با استفاده از داده¬های هواشناسی بقیه ایستگاه¬ها به¬دست آوردن پارامترهای هواشناسی برای سایر نقاط روی گرید، با ضرایب به¬دست آمده از مرحله قبل آموزش شبکه عصبی برای پیش¬بینی آلودگی نقاط روی گرید مشخص کردن نقاطی که بیشترین نوسان را دارند به¬عنوان پیشنهاد برای نصب ایستگاه جدید

با توجه به افزایش مشکلات ناشی از آلودگی هوا به¬واسطه رشد و توسعه جوامع شهری، کنترل و کاهش آلاینده¬ها امری ضروری است. این تحقیق بر پایه تخمین میزان غلظت آلاینده¬های هوا، به جهت برنامه¬ریزی و کاهش اثرات مضر آن و تلاش در جلوگیری از رسیدن به حالت بحران است. هدف، توسعه مدلی است که بتواند بین غلظت آلاینده¬های موردنظر so2) و (no2 و پارامترهای هواشناسی نظیر(دمای حداکثر، دمای حداقل، رطوبت نسبی، تابش خورشید، سرعت باد و جهت باد) ارتباط برقرار کرده و میزان غلظت آلاینده¬ها، با دقت قابل قبول تخمین زده شود. با توجه به کارآیی بسیار بالای شبکه های عصبی مصنوعی در مدل¬سازی سیستم¬های غیرخطی از شبکه¬های عصبی نرو-فازی(anfis) و ترکیب شبکه¬های عصبی مصنوعی با مدل¬ ماشین¬های بردار پشتیبان(svm) استفاده شده است. به¬منظور تخمین غلظت این آلاینده¬ها، داده های ایستگاه هواشناسی سینوپتیک ژئوفیزیک تهران عنوان پارمترهای ورودی شبکه عصبی استفاده شدند. شبکه¬¬های عصبی نرو-فازی(anfis) با انواع مختلف و تعداد متفاوت از توابع عضویت آموزش داده شد و بهترین شبکه با کم¬ترین خطا در ایستگاه اقدسیه انتخاب شد. هم¬چنین، خوشه¬بندی داده¬های ورودی شبکه¬های عصبی مصنوعی پرسپترون چند لایه(mlp) با ماشین بردار پشتیبان(svm) و ترکیب آن¬ها به عنوان بهترین شبکه با کم¬ترین خطا در ایستگاه ژئوفیزیک انتخاب شد. نتایج به¬دست آمده نشان می¬دهند، مدل¬های بکار رفته به¬خصوص anfis، به¬خوبی می¬توانند میزان غلظت آلاینده¬ها را در مناطق مختلف با همین شرایط آب و هوایی برآورد نمایند.

چکیده ندارد.