بررسی روابط بین عناصر آب و‌ هوایی و نوسانات آلودگی هوا (مورد: شهر مشهد)

جغرافیا و مخاطرات محیطی

مقاله 1، دوره 4، شماره 2 - شماره پیاپی 14، خرداد 1394، صفحه 77-94   

نوع مقاله: پژوهشی

شناسه دیجیتال (DOI): 10.22067/geo.v4i2.31769

نویسندگان

محمد سلیقه¹؛ حمید کاخکی مهنه^{* 2}

¹دانشگاه خوارزمی تهران

²خوارزمی تهران

چکیده

هدف اصلی تحقیق استفاده از مدلی است که بتواند بین عناصر اقلیمی و آلودگی هوا ارتباط برقرار کند. بدین منظوراز سه مدل متفاوت شبکه عصبی احتمالی، مدل رگرسیون خطی و مدل پرسپترون چندلایه استفاده شد. برای این تحقیق از آمار یک ساله‌ی اداره‌ی حفاظت محیط زیست مشهد استفاده شد. این ‌آمار مربوط به آلاینده های هوا شامل (CO- NO- O3- SO2) و آمار هواشناسی شامل پارامترهای اقلیمی (رطوبت نسبی، درجه حرارت، جهت‌ باد و سرعت باد)‌ می‌باشد. داده‌ های آلودگی هوا از تعداد 11 ایستگاه آلوده سنجی جمع‌آوری شده است. این داده‌ها به صورت ساعتی بوده و سپس از آنها میانگین گرفته شد.پس‌ازدرون‌یابی ‌فاصله ‌معکوس ‌وزندار وتحلیل داده‌ها به منظور پیش‌بینی روابط داده‌ها با استفاده از مدل شبکه عصبی داده‌ها به دسته‌های آموزشی(70%)، ارزیابی(15%)‌ و تست(15%) طبقه بندی شدند. در این تحقیق برای تحلیل، از دسته‌ی داده‌های آموزشی استفاده شد. نتایج نشان داد‌ که میزان میانگین مربعات خطا(MSE) و میانگین مطلق خطا (MAE) در مدل شبکه عصبی احتمالی‌ پایین‌تر بوده و نتایج نشان داده است که مدل شبکه عصبی احتمالی، توانسته است رابطه منطقی بین آلودگی هوا و پارامترهای هواشناسی برقرار کند. از بین عناصر اقلیمی تاثیرگذار بر منواکسید کربن، رطوبت نسبی در ساعت 12:30و جهت باد بیشترین اثر را داشته‌اند، همچنین عواملی اقلیمی تاثیرگذار بر غلظت دی‌اکسید گوگرد رطوبت نسبی در ساعت 6:30 و درجه حرارت مطلق‌ بوده است.

کلیدواژه‌ها

آلودگی؛ آلاینده‌ها؛ عوامل آب و هوایی تاثیر گذار؛ شبکه عصبی‌احتمالی؛ پرسپترون چند لایه؛ مدل رگرسیون

مراجع

انتظاری، علی‌رضا (1384)؛ مطالعه آماری وسینوپتیکی آلودگی هوای تهران؛ استاد راهنما، بهلول علیجانی‌. پایان نامه دکتری آب وهواشناسی؛ دانشگاه تربیت معلم.

اصغری مقدم، اصغر; نورانی، وحید; ندیری، عطاالله.(1387). مدل سازی بارش دشت تبریز با استفاده از شبکه‌های عصبی مصنوعی، مجله دانش کشاورزی، شماره 1، صص1-15.

تقوی، هدی. دانش، شهناز. مساعدی ابولفضل;(1391); مقایسه کارایی مدل های شبکه عصبی مصنوعی ورگرسیون خطی در پیش‌بینی غلظت روزانه منواکسید کربن بر اساس پارامتر های هواشناسی. همایش ملی جریان و آلودگی هوا. صص1-6.

خزاعی، الهه.آل شیخ ، علی اصغر.کریمی، محمد.وحیدنیا، محمدحسن(1391);مقایسه دو روش مدل سازی با استفاده از شبکه عصبی-فازی در پیش‌بینی غلظت آلاینده منواکسید کربن.مجله محیط شناسی، شماره4 .صص 29-44.

علیجانی؛ بهلول،. نجفی نیک؛ زهرا؛ (1388). بررسی الگوهای سینوپتیکی اینورژن در مشهد با استفاده از تحلیل عاملی. جغرافیا وتوسعه ناحیه‌ای؛ شماره12، صص1- 11.

حبیب‌پور، کرم; صفری، رضا. (1390) راهنمای جامع کاربرد SPSS در تحقیقات پیمایشی. چاپ چهارم.انتشارات لویه. صص444-447.

حقیقت ضیابری،سیده مرضیه;حقیقت ضیابری،سیده مریم;دوستان،رضا;حسین زاده،سیدرضا.(1392).بررسی الگوهای همدید موثر بر آلودگی هوا در کلان شهر مشهد. ،مجله جغرافیا وتوسعه ناحیه ای ;صص 82-100

گلریزضیایی، زهرا.صادقی حصار، حمید.معتمدی، محمد.ژاله رجبی، میترا.پیش‌بینی، ارزش گذاری و ترسیم نقشه آلودگی هوای شهر مشهد: مطالعه موردی گاز منواکسید کربن(1389)، صص1-11.

میرستار، صدرموسی. رحیمی؛ اکبر. (1388). مقایسه نتایج شبکه های عصبی پرسپترون چندلایه با رگرسیون چندگانه در پیش بینی غلظت ازن در شهر تبریز. پژوهش‌های جغرافیای طبیعی؛ شماره71؛ صص 65-72.

موسوی، محمد. معروف؛ محمدصادق. نائینی؛ امین. (1381). بررسی پتانسیل تشکیل مه‌دود فتوشیمیایی ناشی از صنایع در مشهد؛ نشریه‌ نیوار. صص 44و45.

یاوری، حسین. سلیقه؛ محمد.(1390). سطوح وارونگی در آلودگی‌های شهرتهران. تحقیقات کاربردی علوم جغرافیایی؛ شماره20، صص 89- 105.

Croxford, B., Penn, A., Hillier, B. (1996). Spatial distribution of urbanollution: civilizing urban traffic, Science of the Total Environment, 190, 3–9.

Comrie،AndrewC.(1997).Comparing eural networks and regression models for ozone forecasting, Journal of Air & Waste Management, 47(6), 653- 663.

Conrads، P.A., Roehle, E. A. (1999). Comparing Physics- Based and Neural Network Mo

Simulating Salinity، Temperature and Dissolved in a Complex، Tidally Affected River Basin،Proceeding of the South Carolina Environmental Conference, 1-15.

Deleaw, S., Kusznir, J., Lamb, B., Cook, D. (2010)، Predicting air quality

in smart environments, Journal of Ambient Intelligence and Smart Environments,2,145- 154.

Fabio Tramuto. Cusimano, R., Cerame, G., Vultaggio, M., Calamusa, G., Maida,

G. M., Vitale, F. (2011). Urban air pollution and emergency room admissions for

respiratory symptoms: a casecrossover study in palermo، italy. Environmental

Health, 10(31), 1-11.

Fulop, I. A., Jozsa، J., Karamer. T. (1998). A neural network application in estimating wind

induced shallow lake motion. Hydro informatics, 98, 753-757.

Hooyberghs, J., Mensink, C., Dumont, G., Fierens, F., Brasseur, O. ( 2005). A neural network forecastfor daily average PM10 concentrations in Belgium. Atmospheric Environment, 39, 3279–3289.

Piringer, M., Kukkonen, J. (2002). Mixing height and inversions in urban

areas. In: Piringer, M., Kukkonen, J. (Eds. ). Proceedings of workshop, 3–4October 2001، Toulouse, France. COST Action 715، EUR 20451,EuropeanCommission، Brussels.،113.

Kaan Yetilmezsoy. Erturk،F.. (2010). A neural network- based approach for the

prediction of urban SO2 concentrations in the Istanbul metropolitan area. Int. J. Environment and Pollution, 40 (4),301- 3 19.

Ranjithan, S., Eheart, J. W., & Garrett, J. H. (1995). Application of neural network in groundwater remediation under conditions of uncertainty. In Z. W. Kundzewicz (Ed.), New uncertainty concepts in hydrology and water resources,133-140. Cambridge University Press.

Vedat, U., Ozkan, O., Koyuncu, I., Deniz Demirba, ،K. (2012). Modeling Air Pollutantsin Turkey with Artificial Neural Network and Multiple LineerRegression. Iccit, 79- 83.