هدي همايش ملي جريان و ا لودگي هوا صفحه ۱ مقايسه كارايي مدلهاي شبكه عصبي مصنوعي و رگرسيون خطي در پيش- بيني غلظت روزانه منواكسيدكربن بر اساس پارامترهاي هواشناسي AFP-G9-TAGH884 ۳ ۲ ۱ تقوي شهناز دانش ابوالفضل مساعدي چكيده يكي از مشكلات زيست محيطي بسياري از شهرهاي بزرگ از جمله كلان شهر مشهد ا لودگي هوا و توليد حجم زيادي از ا لايندههاي مختلف از جمله منواكسيدكربن ميباشد. در اين تحقيق با استفاده از دو روش رگرسيون خطي و شبكه عصبي مصنوعي ميانگين غلظت روزانه منواكسيدكربن در شهر مشهد بر اساس پارامترهاي هواشناسي مورد تجزيه و تحليل و پيشبيني قرار گرفت. نتايج حاصل از اجراي دو مدل فوق نشان داد كه مدل شبكه عصبي مصنوعي توانايي بيشتري را نسبت به روش رگرسيون خطي در پيشبيني غلظت منواكسيدكربن دارد. بهطوريكه ضريب همبستگي (R) و ميانگين مجموع مربعات خطا (RMSE) در شبكه عصبي به ترتيب برابر ۰/۸۱ و ۰/۰۶۹ و براي مدل رگرسيوني به ترتيب ۰/۶۱ و ۰/۱ به دست ا مد. بر اساس نتايج حاصل از اين تحقيق مهمترين عوامل هواشناسي موثر بر غلظت منواكسيدكربن در شهر مشهد به ترتيب سرعت باد دماي هوا تشعشع و رطوبت نسبي ميباشند. كليد واژهها ا لودگي هوا - منواكسيدكربن - شبكه عصبي- رگرسيون خطي ۱- مقدمه ا لودگي هوا يكي از مساي ل مهم زيست محيطي شهر مشهد به حساب ميا يد. به همين جهت بررسي وضعيت ا لودگي هواي اين شهر از بعد ا لايندههاي مختلف و ارزيابي تاثير عوامل مختلف از جمله عوامل اقليمي بر غلظت ا لايندههاي هوا مي- تواند در برنامهريزيهاي جامعي كه در راستاي كنترل و كاهش ا لودگي هوا در اين شهر انجام ميپذيرد بسيار موثر باشد. از بين ا لايندههاي هوا در شهر مشهد غلظت منواكسيدكربن به دليل حجم ترافيك بالا استفاده از خودروهاي فرسوده و غير استاندارد و مصرف زياد سوختهاي فسيلي از اهميت ويژهاي برخوردار است. جهت پيشبيني غلظت ا لايندههاي هوا روشهاي مختلفي در منابع مطالعاتي اراي ه و مورد استفاده قرار گرفته است. صدرموسوي و رحيمي (۱۳۸۸) در تحقيقي كاربرد مدل شبكههاي عصبي پرسپترون چند لايه (روش غيرخطي) و مدل رگرسيون چندگانه (روش خطي) را در پيشبيني غلظت ازن در ۱- دانشجوي كارشناسي ارشد عمران- محيط زيست دانشگاه فردوسي مشهد. hodataghavi64@yahoo.com ۲- دانشيار دانشكده مهندسي دانشگاه فردوسي مشهد. sdanesh@ferdowsi.um.ac.ir ۳- دانشيار دانشكده منابع طبيعي و محيط زيست دانشگاه فردوسي مشهد. mosaedi@yahoo.com
به همايش ملي جريان و ا لودگي هوا صفحه ۲ شرايط ا ب و هوايي شهر تبريز مقايسه نمودند. نتايج ايشان نشان داد كه در تخمين غلظت ا لاينده مذكور مدل شبكه عصبي از توانايي بيشتري نسبت به روشهاي خطي (رگرسيون چندگانه) برخوردار است. نوري و همكاران (۱۳۸۷) نيز در بررسي خود مقايسه روشهاي شبكه عصبي مصنوعي و رگرسيون خطي چندمتغيره براي پيشبيني غلظت ميانگين روزانه منواكسيدكربن در هواي شهر تهران اهتمام ورزيدند. نتايج كار اين پژوهشگران نيز برتري نتايج شبكه عصبي را بيان نمود. ناجندرا و خار (۲۰۰۴) در يك كار تحقيقاتي با توسعه مدل شبكه عصبي غلظت منواكسيدكربن را در يك بزرگراه شهري واقع در دهلي پيشبيني كرده و از شش مشخصه ترافيكي و متغيرهاي هواشناسي براي ساخت مدل و پيشبيني غلظت منواكسيدكربن استفاده نمود د.ن در اين تحقيق سعي شده است كه با كاربرد مدلهاي شبكه عصبي مصنوعي و رگرسيون خطي نقش عوامل اقليمي بر غلظت منواكسيدكربن در شهر مشهد ارزيابي شده و نهايتا بر اساس نتايج حاصله اولويت مدلهاي مذكور از نقطه نظر پيشبيني تاثير عوامل اقليمي بر غلظت روزانه اين ا لاينده مشخص گردد. ۲- روش تحقيق ۱-۲- ا مار و منطقه مورد مطالعه دادههاي مورد استفاده در اين تحقيق ا مار مربوط به غلظت منواكسيدكربن ) 1 Y) و نيز مقادير متغيرهاي هواشناسي در مقياس روزانه شامل پوشش ابري بر حسب هشتم ) 1 X) سرعت باد بر حسب X) 2 ) m/s ميانگين دما بر حسب X) 3 ) o C (X (X 6 ) KW/M 2 در سال و فشار بر حسب ) mbar 7 بارندگي بر حسب X) 4 ) mm درصد رطوبت ) 5 X) تشعشع بر حسب ۱۳۸۹ بودند. منطقه مورد مطالعه در اين تحقيق شهر مشهد را شامل ميگرديد كه در شمال شرقي ايران و مركز استان خراسان رضوي است. ارتفاع ميانگين اين شهر از سطح دريا ۹۸۰ متر و مساحت تقريبي ا ن ۲۰۴ كيلومتر مربع گزارش شده است. شهر مشهد از نظر جغرافيايي در محدوده طول جغرافيايي '۱۵ در ۹۴۵ كيلومتري شرق تهران واقع گرديده است (مومني و همكاران ۱۳۸۷). o o o ۵۹ تا ۳۶' ۶۰ و عرض جغرافيايي ۴۳' ۳۵ تا '۸ o ۳۷ و ۱ ۲-۲- رگرسيون چندگانه (MLR) رگرسيون چندگانه روشي است كه براي تعيين ارتباط خطي بين يك متغير وابسته و يك يا چند متغير مستقل مورد استفاده قرار ميگيرد. تحليل رگرسيون روشي ا ماري است كه در ا ن سعي ميگردد رابطه بين تغييرات دو يا چند متغير تعيين گردد تا با استفاده از ا ن بتوان مقادير يك متغير را بر اساس متغير يا متغيرهاي ديگر پيشبيني نمود. در به كارگيري مدل ا ماري مذكور در اين تحقيق رابطه بين متغيرهاي مستقل و وابسته به صورت ذيل در نظر گرفته شده است: (۱) Y= b 0 +b 1 X 1 + +b k X k +ε كه در ا ن Y متغير وابسته (در اين تحقيق غلظت منواكسيدكربن (بر حسب (ppm) در سال ۱۳۸۹) 1 X k... X پارامترهاي مستقل (در اين تحقيق مقادير روزانه پارامترهاي هواشناسي در سال ۱۳۸۹) ε متغيري تصادفي كه توزيع ا ماري معيني با ميانگين صفر دارد و b k... b 0 ثابتهاي معلوم هستند. هدف از تحليل رگرسيون مشخص كردن پارامترهاي معادله رگرسيون و مقايسه مدل با مقدار متغير وابسته Y ميباشد (مصداقي ۱۳۸۹). 1 Multiple Linear Regression
۱ ۳-۲- شبكه عصبي مصنوعي (ANN) ميد د.ا همايش ملي جريان و ا لودگي هوا صفحه ۳ شبكه عصبي مصنوعي الگويي براي پردازش اطلاعات ميباشد كه با تقليد از شبكههاي عصبي بيولوژيكي مثل مغز انسان ساخته شده است. عنصر كليدي اين الگو ساختار جديد سيستم پردازش اطلاعات ا ن ميباشد كه از تعداد زيادي عناصر (نرون) با ارتباطات قوي داخلي كه هماهنگ با هم براي حل مساي ل مخصوص كار ميكنند تشكيل شده است. شبكه عصبي مصنوعي به وسيله تعداد لايهها تعداد نرونها در هر لايه الگوريتم يادگيري و تابع انتقال در شبكه مشخص ميشود. در اكثر پژوهشها از شبكه عصبي سه لايهاي (لايه ورودي خروجي و يك لايه مخفي) استفاده ميگردد. در شبكههاي عصبي لايه ورودي و خروجي به عنوان لايههاي ثابت در نظر گرفته ميشوند ولي تعداد لايههاي مخفي و نرونهاي ا نها افزايش مييابد و بدين ترتيب با افزايش تعداد لايهها و نرونها ميتوان حجم وسيعتري از دادهها را در شبكه ا موزش داد (صدر موسوي و رحيمي ۱۳۸۸). در اين تحقيق شبكه عصبي مصنوعي به كار گرفته شده يك شبكه سه لايهاي بود. لايه ورودي اين شبكه را پارامترهاي روزانه هواشناسي در سال ۱۳۸۹ و لايه خروجي ا ن را ميانگين غلظت روزانه منواكسيدكربن در سال ۱۳۸۹ تشكيل در سال ۱۳۸۹ ۳- بحث و نتايج براي مدلسازي غلظت ا لاينده منواكسيدكربن بر اساس عوامل اقليمي از كل دادههاي موجود رگرسيون گرفته شد. معادله ۲ رابطه منواكسيدكربن با پارامترهاي هواشناسي را نشان ميدهد. LOGY 1 = 7.76-0.0194 X 1-0.0308 X 2-0.00465 X 3-0.00356 X 4-0.00171 X 5-0.000090 X 6 (۲) - 0.00682 X 7 ضريب همبستگي و جذر ميانگين مربعات خطا در رابطه ۲ به ترتيب ۰/۶۱ و ۰/۱ محاسبه گرديد. در شكل ۱ غلظت منواكسيدكربن ثبت شده در ايستگاه سنجش ا لودگي هوا و نيز مقادير پيشبيني شده توسط مدل رگرسيوني اراي ه شده است. همانگونه كه در اين شكل مشاهده ميشود مدل رگرسيوني قادر به مدلسازي دقيق غلظت منواكسيدكربن با توجه به عوامل اقليمي نميباشد. عدم دقت نتايج اين مدل به خصوص در مواقعي كه غلظت منواكسيدكربن ازدياد يا كاهش ناگهاني را داشته است بسيار بارز ميباشد. 1 Artificial Neural Network
همايش ملي جريان و ا لودگي هوا صفحه ۴ شكل ۱- مقايسه بين مقادير پيشبيني شده غلظت منواكسيدكربن (با استفاده از مدل رگرسيو ي)ن ا ن در طي سال ۱۳۸۹ و مقادير اندازهگيري شده فرضيات به كار برده شده و نتايج حاصل از مدلسازي غلظت منواكسيدكربن با استفاده از مدل شبكه عصبي مصنوعي در جدول ۱ خلاصه شده است. همانطور كه در جدول مذكور مشاهده ميشود ضريب همبستگي در مدلسازي با شبكه عصبي مصنوعي ۰/۸۱ محاسبه شد. اين رقم در مقايسه با ضريب همبستگي حاصل از كاربرد مدل رگرسيون رقم بزرگتري است كه بيانگر دقت بيشتر شبكه عصبي مصنوعي در پيشبيني غلظت منواكسيدكربن ميباشد. نتايج مقايسه بين خروجي مدل شبكه عصبي و اندازهگيريهاي واقعي غلظت منواكسيدكربن در شكل ۲ ا مده است. با مقايسه نمودارهاي مربوط به همبستگي در مدل رگرسيوني و شبكه عصبي (اشكال ۱ و ۲) دقت مدل شبكه عصبي در پيش- بيني ميانگين غلظت روزانه منواكسيدكربن به وضوح مشخص ميگردد. در شكل ۳ نيز خروجي مدل شبكه عصبي در ارتباط با درصد تاثير پارامترهاي اقليمي در غلظت منواكسيدكربن اراي ه گرديده است. همانطور كه شكل مذكور نشان ميدهد سرعت باد با ۲۲ درصد سهم بيشترين تاثير را بر غلظت منواكسيدكربن داشته است و پس از ا ن به ترتيب دما تشعشع رطوبت و فشار هوا داراي سهم بيشتري بودهاند. جدول ۱- پارامترهاي مختلف به كار برده شده در مدل شبكه عصبي و نتايج ا ن در پيشبيني غلظت منواكسيدكربن نوع شبكه تعداد نرون در لايه مخفي تابع انتقال دور يادگيري ميزان نرخ يادگيري مقدار ثابت مومنتوم ميزان ضريب همبستگي كل مقدار جذر ميانگين مربعات خطاي كل MLPچهار لايه ۴۰ سيگموييد ۱۰۰ ۰۰۰ ۰/۰۱ ۰/۸۰ ۰/۸۱ ۰/۰۶۹
همايش ملي جريان و ا لودگي هوا صفحه ۵ شكل ۲- مقايسه بين مقادير پيشبيني شده غلظت منواكسيدكربن (با استفاده از مدل شبكه عصبي) و مقادير اندازهگيري شده ا ن در طي سال ۱۳۸۹ شكل ۳ - درصد تاثير هر يك از پارامترهاي اقليمي در پيشبيني غلظت منواكسيدكربن در مدل شبكه عصبي ۴- نتيجه گيري با توجه به نتايج حاصل از اين تحقيق ميتوان بيان داشت كه روش رگرسيون خطي چندمتغيره در مقام مقايسه با مدل شبكه عصبي در پيشبيني نوسانات غلظت منواكسيدكربن از دقت كافي برخوردار نيست. بنابراين استفاده از مدل شبكه عصبي كه قادر به پيشبيني روابط غيرخطي و پيچيده بين وروديها و خروجيها ميباشد ارجح بوده و مدل مناسبي به عنوان جايگزين مدل رگرسيون خطي چندمتغيره در مباحث مربوط به پيشبينيهاي غلظت ا لايندههاي هوا پيشنهاد ميگردد. مراجع دبيري. مينو (۱۳۷۹) "ا لودگي محيط زيست- هوا- ا ب- خا - صوت" چاپ سوم نشر و پخش ا يلار تهران. رازقي. مرجان (۱۳۸۶) "تحليل مكاني و زماني منواكسيدكربن تهران تحت تاثير پارامترهاي اقليمي" پايان نامه كارشناسي ارشد دانشكده علوم انساني دانشگاه تربيت مدرس تهران.
همايش ملي جريان و ا لودگي هوا صفحه ۶ صدر موسوي. ميرستار رحيمي. اكبر (۱۳۸۸) "مقايسه نتايج شبكه عصبي پرسپترون چند لايه با رگرسيون چندگانه در پيش بيني غلظت ازن در شهر تبريز" مجله پژوهشهاي جغرافياي طبيعي - ۶۵ ۷۱: ۷۲. مصداقي. منصور (۱۳۹۰) "روشهاي ا مار و رگرسيون با رويكرد كاربردي در علوم گياهي و جانوري" انتشارات دانشگاه امام رضا (ع) مشهد. مومني. مصطفي صرافي. مظفر قاسميخوارزمي. محمد (۱۳۸۷) "ساختار و كاركرد گردشگري مذهبي- فرهنگي و ضرورت مديريت يكپارچه در كلانشهر مشهد" فصلنامه جغرافيا و توسعه (۶): ۱۱ ۳۸-۱۳. نوري. روح االله اشرفي. خسرو اژدرپور. ابوالفضل (۱۳۸۷) "مقايسه كاربرد روشهاي شبكه عصبي مصنوعي و رگرسيون خطي چندمتغيره براساس تحليل مو لفههاي اصلي براي پيشبيني غلظت ميانگين روزانه منواكسيدكربن: بررسي موردي شهر تهران" مجلة فيزيك زمين و فضا (۱): ۳۴ ۱۵۲-۱۳۵. Nagendra. S. M. S., Khare. M, (2004), "Artificial neural network based line source models for vehicular exhaust emission predictions of an urban roadway", Journal of Transportation Environmental, 9(3): 199-208.
همايش ملي جريان و ا لودگي هوا صفحه ۷ Comparison of artificial neural network and linear regression models performance to pridect daily concentration of carbon monoxide based on meteorological parameters Hoda Taghavi 1, Shahnaz Danesh 2, Abolfazl Mosaedi 3 Abstract Air pollution and produce large volumes of air pollutants such as carbon monoxide, is one of the environmental problems in many cities such as Mashhad. In this study by using two methods, linear regression and artificial neural network, the daily average concentration of carbon monoxide in the city of Mashhad based on meteorological parameters were analyzed and predicted. The results of the two models show that the ability of artificial neural network model is more than linear regression method to predict the daily concentration of carbon monoxide. The correlation coefficient (R) and total root mean square error (RMSE) in the neural network model is obtained respectively 0.81 and 0.069, these numbers for the regression model is calculated 0.61 and 0.1. Based on the results of this study, the most important meteorological factors that influencing the concentration of carbon monoxide are wind speed, air temperature, radiation and relative humidity. Keywords: Air pollution - Carbon monoxid - Artificial neural network - Linear regression 1 M.Sc. student, Faculty of Engineering, Ferdowsi university of Mashhad. hodataghavi64@yahoo.com 2 Associate Professor, faculty of Engineering, Ferdowsi university of Mashhad. sdanesh@ferdowsi.um.ac.ir 3 Associate Professor, faculty of Natural Resources and environment, Ferdowsi university of Mashhad. mosaedi@yahoo.com