Forecasting Air Pollution based on Monitoring Station with using Kalman Filter

Document Type : Research Paper


Assistant Professor, Department of Survey, Marand Faculty of Engineering, Tabriz University, Tabriz, Iran


In recent years, due to the dramatic increase of air pollutants preparation of right air pollution maps and the development of instantaneous air pollution monitoring systems attention of researchers has attracted. According to the data obtained from air pollution monitoring stations, they were not isolated from the error and some of their observations are missing; therefore, it is necessary to use a robust model to refine the data and predict the observations. In the present study, the data’s of three stations in Tehran of air pollutants corrected and predicted by Kalman filter. Results showed that an average accuracy of 92% for the Kalman filter.


1- صادقی، ح.، خاکسار آستانه، س.، 1393،  پیش‌بینی کوتاه‌مدت آلودگی ذرات معلق شهر اهواز با کمک شبکه‌های عصبی، پژوهش­های محیط زیست، سال 5، شماره 9، 177-186.
2-Brunelli, U., Piazza, V., Pignato, L., Sorbello, F. and Vitabile, S., (2007), Two-days ahead prediction of daily maximum concentrations of So2, O3, Pm10, No2, Co in the urban area of Palermo, Italy, Atmospheric Environment, Vol.41, pp.2967-2995.
3- Perez, P. and Reyes, J., 2006, An integrated neural network model for PM10 forecasting, Atmospheric Environment, Vol.40, pp.2845-2851.
4- بوداقپور، س. و چرخستانی، ا.، 1390، پیش‌بینی میزان غلظت آلاینده‌های هوای تهران با استفاده از شبکه عصبی مصنوعی، علوم و تکنولوژی محیط‌زیست، دوره سیزدهم، شماره یک.
5- علیاری شوره‌دلی، م.؛ تشنه لب، م. و خاکی، ع.، 1387، پیش‌بینی کوتاه مدت آلودگی هوا با کمک شبکه‌های عصبی پرسپترون چندلایه، خط حافظه‌دار تاخیر، گاما و ANFIS با روش‌های ترکیبی آموزشی مبتنی بر PSO، مجله کنترل، جلد2، شماره 1، 19-1.
6- Kalman, R. E., 1960, A new approach to linear filtering and prediction problems, Journal of basic Engineering, Vol.82, No.1, pp.35-45.
7- Laine, M., Latva-Pukkila, N. and Kyrölä, E., 2014, Analysing time-varying trends in stratospheric ozone time series using the state space approach, Atmospheric Chemistry and Physics, Vol.14, No.18, pp.9707-9725.
8- Ishihara, J. Y., Terra, M. H. and Campos, J. C., 2006, Robust Kalman filter for descriptor systems, IEEE Transactions on Automatic Control, Vol.51, No.8, pp.1354-1358.
9- Wolpert, D. M. and Ghahramani, Z., 2000, Computational principles of movement neuroscience, nature neuroscience, Vol.3, pp.1212-1217.
10- انتظاری، ع.،1384، مطالعه آماری و سینوپتیکی آلودگی هوای تهران. (رساله دکتری)، دانشگاه تربیت مدرس. 
11- زبردست، ا.، ریاضی، ح.، 1394، شاخص‌های محیط انسان ساخت و تاثیرات آن بر آلودگی هوا (مطالعه موردی: محدوده پیرامونی چهارده ایستگاه سنجش کیفیت هوا در شهر تهران)، نشریه هنرهای زیبا- معماری و شهرسازی، دوره 20، شماره 1، 66-55.
12- Tofallis, C., 2015, A better measure of relative prediction accuracy for model selection and model estimation, Journal of the Operational Research Society, Vol.66, No.8, pp.1352-1362.