الهام پورمعافی اصفهانی؛ سید علی المدرسی؛ محمد موسایی سنجره ای؛ حامد حق پرست
چکیده
سابقه و هدف: امروزه پدیده‌های گردوغباری در ردیف مهم‌ترین مخاطرات محیطی قرارگرفته و سلامتی انسان و محیط زیست را با خطر جدی مواجه کرده است. گردو غبار در جو به عنوان یکی از آلاینده‌های هوا، آثار سوء و پیامدهای منفی گوناگونی دارد که از بین آن‌ها می‌توان به کاهش رشد و بازدهی محصولات کشاورزی، تشدید خسارات ناشی از بروز آفات و بیماری‌های ...
بیشتر
سابقه و هدف: امروزه پدیده‌های گردوغباری در ردیف مهم‌ترین مخاطرات محیطی قرارگرفته و سلامتی انسان و محیط زیست را با خطر جدی مواجه کرده است. گردو غبار در جو به عنوان یکی از آلاینده‌های هوا، آثار سوء و پیامدهای منفی گوناگونی دارد که از بین آن‌ها می‌توان به کاهش رشد و بازدهی محصولات کشاورزی، تشدید خسارات ناشی از بروز آفات و بیماری‌های گیاهی، افزایش تصادفات جاده ای به علت کاهش قدرت دید، لغو پروازها و خسارات مالی ناشی از آن، اقزایش هزینه درمان، تعطیلی واحدهای صنعتی، آلودگی منابع آب، افزایش فرسایش بناها، افت بازدهی سیستم‌های فتوولتایک خورشیدی به دلیل کدورت هوا اشاره کرد. بنابراین، به دلیل اهمیت موضوع گردوغبار و به منظور پیش بینی نحوه انتشار گرد و غباراز مدل شبکه عصبی مصنوعی استفاده شد. با استفاده از این مدل می‌توان اطلاعات مفید و مقرون به صرفه‌ای، جهت اجرای آتی استراتژی‌های کنترل آلودگی هوا و کاهش هزینه‌ها کسب نمود.مواد و روش ها: برای مدلسازی پراکنش گرد و غبار با استفاده از مدل شبکه عصبی مصنوعی، آمار و اطلاعات هواشناسی ایستگاه سینوپتیک شهرستان کاشان که به صورت روزانه توسط اداره محیط زیست در سال 96 ثبت شده‌اند، استفاده گردید. داده های رطوبت، دما، سرعت باد و جهت باد به عنوان داده های ورودی برای مدلسازی بکار گرفته شد. فرآیند آموزش مدل با استفاده از تابع عضویت سیگموئیدی در محیط نرم افزار متلب انجام شد که خروجی اجرا مدل پیش بینی میزان ذرات معلق 5/2 میکرومتر بر مترمکعب است. به منظور ارزیابی صحت مدل اجرا شده، میزان ذرات معلق 5/2 حاصل شده با داده های واقعی نمونه برداری شده در محیط مقایسه شد. در مدل شبکه عصبی، تعداد نرون ها در لایه پنهان و تعداد دور یا ایپاک مناسب برای رسیدن به بهترین ساختار شبکه عصبی، با کمترین خطا برای هر مدل، با استفاده از روش سعی و خطا مشخص شد. تعداد نرون و ایپاک برای مدل در سال 2017 به ترتیب 15 و 37000 می‌باشد.نتایج و بحث: نتایج صحت سنجی مدل که از مقایسه داده‌های واقعی با داده‌های شبیه سازی شده بدست آمده، نزدیک به 80 درصد می باشد. بررسی نمودار میانگین رگرسیون نشان می دهد که مقادیر پیش بینی شده حاصل از مدل به محور قطری نزدیکترند و پراکندگی نداشته و با مقادیر اندازه گیری شده فاصله و اختلاف چندانی ندارند. همچنین براساس نتایج روش رگرسیون گام به گام مشخص شد که از بین چهار متغییر استفاده شده برای مدلسازی رطوبت نسبی بیشترین تاثیر و اهمیت در مدلسازی انتشار گرد و غبار دارد.نتیجه گیری: با توجه به صحت و نتایج حاصل می‌توان از این روش برای پیش بینی انتشار آلودگی هوا کاشان ناشی از ذرات معلق استفاده کرد. به دلیل قابلیت بالای شبکه عصبی پرسپترون در پیش بینی میزان غلظت و نحوه انتشار گردوغبار، این مدل می‌تواند یک راه حل مناسب و سریع در پیش بینی میزان و انتشار گردوغبار و مدیریت آن باشد.
