Journal of Applied Research in Geographical Sciences

fa سنجش و پیش‌بینی آلاینده جوی ذرات معلق کمتر از 10 میکرون(PM10) شهر اهواز با استفاده از روش‌های آماری و شبکه عصبی مصنوعی Assessment and Prediction of Atmospheric PM₁₀ Pollution in Ahvaz City Using Statistical Methods and an Artificial Neural Network اب و هواشناسی climatology پژوهشي Research <div style="text-align: justify;">این پژوهش با هدف ارزیابی ارتباط میان پارامترهای هواشناسی و غلظت ذرات معلق PM10 و پیش‌بینی میزان این آلاینده در شهر اهواز انجام‌شده است. داده‌های روزانه‌ی پارامترهای هواشناسی (دما، سرعت باد، جهت باد، دید افقی، بارش و رطوبت نسبی) و غلظت PM10  در بازه زمانی 1390 تا 1402 از سازمان هواشناسی و اداره کل محیط‌زیست خوزستان گردآوری شد. پس از پیش‌پردازش داده‌ها، از آزمون کلموگروف-اسمیرنوف برای بررسی نرمال بودن توزیع آن‌ها استفاده شد. با توجه به عدم نرمال بودن داده‌ها، از ضرایب همبستگی اسپیرمن و تاوی بی کندال برای ارزیابی ارتباط میان متغیرها بهره گرفته شد. تحلیل‌های آماری و مدل‌سازی با استفاده از نرم‌افزار SPSS و زبان برنامه‌نویسی پایتون در محیط اسپایدر انجام شد. نتایج تحلیل همبستگی نشان داد که بین غلظت PM10 و برخی پارامترهای هواشناسی ارتباط معناداری وجود دارد. به‌طور خاص، همبستگی مثبت و معناداری بین PM10 و دما (0.284 و 0.187) و سرعت باد(0.094 و 0.061)، و همبستگی منفی و معناداری بین PM10 و دید افقی (0.408- و 0.300 -)، جهت باد (0.048 – و 0.034 -)، بارش (0.159 – و 0.125-) و رطوبت نسبی (0.259 – و 0.173-) مشاهده شد. در ادامه، برای پیش‌بینی غلظت PM10 از مدل شبکه عصبی مصنوعی چندلایه پرسپترون (MLP) استفاده شد. ساختار شبکه شامل یک لایه ورودی با شش نورون (مربوط به شش پارامتر هواشناسی)، سه لایه مخفی با ۱۶، ۳۲ و ۶۴ نورون و یک لایه خروجی بود. نتایج ارزیابی مدل نشان داد که شبکه عصبی MLP توانایی بالایی در پیش‌بینی غلظت PM10 دارد و خطای پیش‌بینی در مراحل آموزش، اعتبارسنجی و آزمون در سطح قابل قبولی قرار دارد. </div> <div style="text-align: justify;">Air pollution has significant impacts on human health, environmental quality, and the sustainable development of cities. This study aimed to evaluate PM10 using meteorological data from the city of Ahvaz through statistical methods and artificial neural networks. Daily meteorological data and air quality control station data for 4485 days (from 2011 to 2023) were obtained from the National Meteorological Organization and the Khuzestan Department of Environment. Initially, the data were processed and refined, and their normality was assessed using the Kolmogorov-Smirnov test. Given the non-normality of the data, Spearman's and Kendall's Tau-b methods were employed to examine their correlations. The time series and statistical information of the data were obtained using Python programming language. Furthermore, to predict future PM10 levels, the Multilayer Perceptron (MLP) neural network method was utilized. The results of these analyses indicated a significant correlation between meteorological variables and PM10. The Spearman and Kendall Tau-b correlations showed that PM10 had a positive and significant correlation with wind speed (0.094 and 0.061) and temperature (0.284 and 0.187) at a 99% confidence level. Conversely, PM10 exhibited a negative and significant correlation with visibility (-0.408 and -0.300), wind direction (-0.048 and -0.034), precipitation (-0.159 and -0.125), and relative humidity (-0.259 and -0.173) at the 99% confidence level. For future PM10 predictions, the MLP neural network was used. The model was of the Sequential type with an input layer consisting of 6 neurons, three hidden layers of Dense type with 16, 32, and 64 neurons, and an output layer with a linear activation function. The mean squared error (MSE) for the training set was 0.0034, and for the validation data, it was 0.0012. For the test set, the obtained validation accuracy was mse_mlp=0.0048 and val_loss=0.0012. The results indicate a significant direct or inverse correlation between meteorological data and PM10. Additionally, the outcomes of the MLP neural network demonstrated that the network provided satisfactory performance and acceptable predictions for PM10 data in Ahvaz.</div> آلودگی هوا, شبکه عصبی, پرسپترون چند لایه (MLP), ذرات معلق کمتر از ده میکرون (PM10), سری‌های زمانی, رگرسیون, اهواز. Air Pollution, Neural Network, Multilayer Perceptron (MLP), PM10, Time Series, Regression, Ahvaz. 0 0 http://jgs.khu.ac.ir/browse.php?a_code=A-10-3621-2&slc_lang=fa&sid=1 Atefeh Bosak عاطفه بساک bosak.a.69@gmail.com 100319475328460023601 100319475328460023601 Yes Department of Natural Geography, Faculty of Geographical Sciences, Khwarazmi University, Tehran, Iran. گروه جغرافیا طبیعی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی تهران، تهران، ایران Zahra Hejazizadeh زهرا حجازی زاده hedjazizadeh@yahoo.com 100319475328460023602 100319475328460023602 No Department of Natural Geography, Faculty of Geographical Sciences, Khwarazmi University, Tehran, Iran. گروه جغرافیا طبیعی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی تهران، تهران، ایران Akbar Heydari Tashekaboud اکبر حیدری تاشه کبود Heydariakbar@gmail.com 100319475328460023603 100319475328460023603 No Institute of Artificial Intelligence, Shaoxing University, Shaoxing, China & Department of Geography & Urban Planning; Ferdowsi University of Mashhad, گروه هوش مصنوعی و شهرهای هوشمند دانشگاه ژائو ژنگ، چین و گروه جغرافیا و برنامه‌ریزی شهری، دانشگاه فردوسی مشهد، ایران .