فهرست نشریات علمی دسترسی آزاد ایران

زمینه و هدف: یکی از شاخص های مهم در بحث کیفیت هوا، غلظت ذرات معلق PM2.5 می باشد. بدین منظور در این پژوهش از مدل ترکیبی تبدیل موجک گسسته حداکثر هم پوشانی-تجزیه مد متغیر–شبکه عصبی پس انتشار (MODWT-VMD-BPNN) بر پایه تکنیک تجزیه دو مرحله‌ای برای پیش‌بینی ذرات‌معلق PM2.5 شهر ارومیه استفاده شده است. مواد و روش ها: سری داده‌های اصلی ذرات معلق PM2.5 ابتدا توسط مدل تبدیل موجک گسسته حداکثر هم پوشانی به دوسطح جزئیات با فرکانس بالا (d1 و d2) و یک سطح تقریب با فرکانس پایین (a2) تجزیه و در مرحله دوم هر کدام از سطوح جزئیات و سطح تقریب توسط مدل تجزیه مد متغیر به 8 مود متغیر تجزیه شد. سپس هر کدام از مدهای متغیر توسط شبکه عصبی پس انتشار مدلسازی و پیش بینی شدند. یافته ها: بر اساس نتایج مدل های ترکیبی (MODWT-BPNN) و (VMD- BPNN) نسبت به مدل تکی شبکه عصبی پس انتشار (BPNN) عملکرد بهتری داشته اند. و در بین مدل های ترکیبی مدل (MODWT-BPNN) به دلیل تحلیل سیگنال هایی دارای تغییرات ناگهانی و ناپیوستگی موضعی به وسیله ی موجک ها عملکرد بهتری نسبت به مدل (VMD-BPNN) دارد. مدل ترکیبی تجزیه دو مرحله ای ((MODWT-VMD-BPNN نسبت به دیگر مدل های تجزیه ای تک مرحله ای و مدل تکی شبکه عصبی پس انتشار با مقادیر معیارهای ارزیابی خطا شامل 2/8582= RMSE=3/8074 MAE و آماره 0/92 = R در مرحله آموزش و 2/1840 = RMSE = 2/7679  MAE و آماره 0/80= R در مرحله آزمون، عملکرد بهتری داشته است.نتیجه گیری: مدل های تجزیه ای دو مرحله ای با تجزیه سطح جزئیات و سطح تقریب به 8 مود می تواند مشکل آمیختگی مدها را حل کند و پیش بینی میزان غلظت PM2.5 را با دقت بهتری انجام دهد لذا این مدل می تواند برای پیش بینی آلاینده های جوی به کار گرفته شود.