بهینه سازی متغیرهای هواشناسی به منظور پیش بینی غلظت الاینده های هوا به منظور کاهش هزینه و زمان محاسبات در مدل شبکه عصبی مصنوعی | ||
| محیط شناسی | ||
| مقاله 11، دوره 46، شماره 1، بهار 1399، صفحه 195-216 اصل مقاله (4.95 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jes.2021.300440.1007998 | ||
| نویسندگان | ||
| افسانه قاسمی1؛ جمیل امان اللهی* 1؛ محمد دارند2 | ||
| 1گروه محیطزیست، دانشکدة منابع طبیعی، دانشگاه کردستان، سنندج، ایران | ||
| 2گروه آب و هوا شناسی، دانشکده منابع طبیعی، دانشگاه کردستان، سنندج، ایران | ||
| چکیده | ||
| شهر کرمانشاه به دلیل وجود صنایع، ترافیک و توفانهای گرد و غبار یکی از شهرهای آلوده کشور است. در این پژوهش پنج آلاینده PM10، CO، O3، NO2، SO2 با استفاده از شبکه عصبی پرسپترون چند لایه برای دو بازهی زمانی امروز و فردا پیشبینی شدند. دادههای مستقل شامل هفت کمیت هواشناسی دما، رطوبت نسبی، میزان دید، سرعت باد، نقطه شبنم، فشار، و بارش است. آزمون همخطی و تکنیک انتخاب پیشرو برای حذف متغیرهای ورودی اضافی و ایجاد زیر مجموعهای از متغیرهای اثر گذار در پیشبینی استفاده شد. مدل بهینه با استفاده از شاخصهایRMSE , ,NMSE IOA, R2 و FB برای هر آلاینده انتخاب گردید. نتایج نشان میدهد که مدل 2 با تعداد 6 کمیت مستقل برای پیشبینی غلظت آلاینده منوکسید کربن و دی اکسید نیتروژن مدلی بهینه است و برای پیشبینی آلاینده ازن مدل 5 با تعداد 3 کمیت ورودی مدل مطلوبی میباشد همچنین برای پیش بینی دی اکسید گوگرد مدل 6 با دو متغیر ورودی و برای پیشبینی ذرات معلق (PM10) مدل 4 با 4 متغیر ورودی مناسبترین مدل بودهاند. نتایج این پژوهش نشان میدهد که استفاده از تکنیک انتخاب پیشرو برای بهینه سازی تعداد متغیرها سبب افزایش دقت و کاهش هزینههای پیشبینی خواهد شد. | ||
| کلیدواژهها | ||
| آزمون همخطی؛ پیشبینی؛ تکنیک انتخاب پیشرو؛ شبکه عصبی پرسپترون چندلایه؛ کرمانشاه | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 984 تعداد دریافت فایل اصل مقاله: 934 |
||