RT - Journal Article T1 - Forecasting the air quality index based on meteorological variables and autocorrelation terms using artificial neural network JF - RJMS YR - 2015 JO - RJMS VO - 22 IS - 137 UR - http://rjms.iums.ac.ir/article-1-4073-fa.html SP - 31 EP - 43 K1 - Forecasting K1 - Artificial neural networks K1 - Meteorological variables K1 - Air quality index AB - زمینه و هدف: شاخص کیفیت هوا (Air Quality Index-AQI) ارتباط کیفیت هوا را با سطوح سلامتی به صورت کمی بیان می‌کند. با استفاده از مدل شبکه عصبی مقدار AQI برای یک روز بعد بر مبنای متغیرهای هواشناسی و خودهمبستگی شاخص، برای شهر کرمانشاه پیش‌بینی شد. روش کار: بعد از آماده سازی داده‌های آلاینده‌های معیار و متغیرهای هواشناسی سال‌های 91-1389، تاخیرهای زمانی یک روز قبل و بعد متغیرها ایجاد شد. مقدار شاخص یک روز بعد به عنوان متغیر وابسته و سایر متغیرها به عنوان ورودی مدل استفاده گردید. عملکرد مدل با استفاده از ضریب همبستگی (r)، ضریب تبیین (R2) و ریشه میانگین مربع خطا ارزیابی شد. تحلیل حساسیت مدل بررسی و مهمترین متغیرهای موثر برای پیش‌بینی AQI شناسایی گردید. یافته ها: مقدار r مراحل آموزش، اعتبارسنجی و آزمون مدل بالاتر از 75/0 تعیین و R2 مرحله آزمون برابر 6/0 تعیین شد. در بین متغیرهای هواشناسی، میزان دید افقی و میزان بارندگی تاثیر بیشتری بر مقدار شاخص داشتند به نحوی که بارندگی در یک روز قبل به طور معناداری باعث کاهش مقدار AQI روز بعد خواهد شد. همچنین بین میزان دید افقی و AQI ارتباط معکوس مشخص گردید. نتیجه گیری: مدل پیشنهادی می تواند برای پیش‌بینی مقدار شاخص AQI شهر کرمانشاه مورد استفاده قرار گیرد. با توجه به مسئله آلودگی هوا و خصوصاً مشکل ریزگردها، چنانچه چنین مدلی به صورت دینامیک استفاده شود نقش آن در اعلان وضعیت هوا ملموس‌تر خواهد شد. پیشنهاد می‌گردد پیش‌بینی شاخص AQI در قالب یک مدل با قابلیت به روز شدن برای این استان در مطالعات بعد انجام گردد. LA eng UL http://rjms.iums.ac.ir/article-1-4073-fa.html M3 ER -