استفاده از شبکه بازگشتی NAR برای پیش بینی غلظت مونوکسید کربن

زمینه و هدف: آلودگی هوا یکی از مشکلات مهم شهر‌های بزرگ محسوب می‌شود. یکی از اهداف مسئولین شهری آگاهی از میزان کیفیت هوا در آینده است؛ برای پیشبینی کیفیت هوا، باید غلظت هریک از آلاینده‌ها مدلسازی شده و با استفاده از مدل ایجاد شده، نسبت به پیشبینی مقادیر هریک از آلاینده‌ها اقدام شود. با توجه به اینکه مونوکسید کربن یکی از آلاینده‌های مهم هوا است، و تاثیرات زیانباری بر سلامت انسان دارد. روش بررسی: در این مقاله به مدلسازی و پیشبینی 24 ساعته غلظت مونوکسید کربن با استفاده از شبکه‌های عصبی بازگشتی NAR و مدل آماری ARMA پرداخته شده و سپس نتایج این دو روش با یکدیگر مقایسه شده است. برای این منظور از داده‌های سال 2009 از 29 نوامبر تا 31 دسامبر، مربوط به غلظت آلاینده مونوکسیدکربن اندازه‌گیری شده در ایستگاه آزادی از ایستگاه‌های پایش کیفیت هوا متعلق به سازمان محیط زیست استان تهران استفاده شده است. یافته‌ها: نتایج مدلسازی نشان می‌دهد که شبکه عصبی NAR دارای دقت بهتری نسبت به روش ARMA  برای پیشبینی و مدلسازی غلظت مونوکسید کربن است. شبکه عصبی NAR با MSE کمتر از 6/1 دقت مناسبی در پیشبینی غلظت آلاینده مونوکسید کربن داشت. همچنین همبستگی بین مقادیر پیشبینی شده و مقادیر واقعی برای شبکه عصبی NAR، 84 درصد می‌باشد. در حالی که مدل ARMA دارای MSE برابر 46/5  و ضریب همبستگی 72 درصد می باشد. نتیجه‌گیری: می‌توان نتایج پیشبینی را جهت آگاه‌سازی عمومی در اینترنت و شبکه‌های جمعی منتشر کرد. همچنین نتایج مدلسازی و پیشبینی می‌تواند برای مدیریت بهتر آلودگی هوا توسط مدیران مورد استفاده قرار گیرد. نتایج این تحقیق نشان می‌دهد که شبکه عصبی NAR قابلیت بسیار بالایی در پیشبینی سری زمانی غاظت مونوکسیدکربن دارد.