سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات162
تعداد شماره‌ها6,578
تعداد مقالات71,072
تعداد مشاهده مقاله125,682,361
تعداد دریافت فایل اصل مقاله98,912,134
بخشی زاده, فریماه, سامانی, نجمه, تومانیان, آرا. (1402). توسعه مدل GA-ANFIS به‌منظور پیش‌بینی غلظت آلاینده 〖PM〗_10 در یک بازه زمانی بلندمدت مطالعه موردی: شهر تهران. , 55(1), 57-87. doi: 10.22059/jphgr.2023.335120.1007663
فریماه بخشی زاده; نجمه سامانی; آرا تومانیان. "توسعه مدل GA-ANFIS به‌منظور پیش‌بینی غلظت آلاینده 〖PM〗_10 در یک بازه زمانی بلندمدت مطالعه موردی: شهر تهران". , 55, 1, 1402, 57-87. doi: 10.22059/jphgr.2023.335120.1007663
بخشی زاده, فریماه, سامانی, نجمه, تومانیان, آرا. (1402). 'توسعه مدل GA-ANFIS به‌منظور پیش‌بینی غلظت آلاینده 〖PM〗_10 در یک بازه زمانی بلندمدت مطالعه موردی: شهر تهران', , 55(1), pp. 57-87. doi: 10.22059/jphgr.2023.335120.1007663
بخشی زاده, فریماه, سامانی, نجمه, تومانیان, آرا. توسعه مدل GA-ANFIS به‌منظور پیش‌بینی غلظت آلاینده 〖PM〗_10 در یک بازه زمانی بلندمدت مطالعه موردی: شهر تهران. , 1402; 55(1): 57-87. doi: 10.22059/jphgr.2023.335120.1007663

توسعه مدل GA-ANFIS به‌منظور پیش‌بینی غلظت آلاینده 〖PM〗_10 در یک بازه زمانی بلندمدت مطالعه موردی: شهر تهران

پژوهش های جغرافیای طبیعی
مقاله 4، دوره 55، شماره 1، اردیبهشت 1402، صفحه 57-87    اصل مقاله (2.62 M)
نوع مقاله: مقاله کامل
شناسه دیجیتال (DOI): 10.22059/jphgr.2023.335120.1007663
نویسندگان
فریماه بخشی زاده؛ نجمه سامانی* ؛ آرا تومانیان
گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران
چکیده
بین انواع ذرات معلق در هوا، ذراتی با قطر کمتر از 10 میکرون اثرات سوء بسیاری بر سلامتی انسان‌ها دارد. پارامترهای هواشناسی و جابجایی حجم بالایی از وسایل نقلیه مهم‌ترین عوامل تعدیل‌کننده در پراکنش و غلظت آلاینده‌های جوی محسوب می‌شوند. در این مطالعه، به‌منظوربه منظور پیش‌بینی غلظت آلاینده PM_10 طی یک باز بلند مدت در شهر تهران، مدل ترکیبی GA-ANFIS بکار برده شد. سرعت باد، جهت باد، دما، رطوبت نسبی و حجم ترافیک به‌عنوان ورودی‌ها و غلظت آلاینده PM_10 به عنوان خروجی مدل در نظر گرفته شد. نتایج حاصل از محاسبه شاخص‌های عملکرد نشان داد که مدل ترکیبی GA-ANFIS نسبت به مدل ANFIS قابلیت مطلوب‌تری در پیش‌بینی غلظت آلاینده PM_10 ارائه می‌دهد. به منظور ارزیابی الگوهای مکانی-زمانی غلظت آلاینده PM_10 و شناسایی لکه‌های داغ و سرد در شهر تهران، آماره موران محلی و آماره گتیس ارد-جی محاسبه شد. نتایج نشان داد که سطح خوشه‌بندی بالایی از آلاینده PM_10 در تهران (با سطح اطمینان 95 درصد) وجود دارد. خوشه‌های PM_10  شهر را به دو بخش شمالی و جنوبی تقسیم کرده‌اند به‌طوری‌که بیشتر نقاط سرد در نیمه شمالی و نقاط داغ در جنوب تا مرکز شهر گسترش پیدا کرده‌اند. 
کلیدواژه‌ها
آلودگی هوا؛ الگوریتم ژنتیک؛ خودهمبستگی مکانی؛ سیستم استنتاج فازی-عصبی تطبیقی
مراجع
  1. بهاری، روح­الامین؛ عباس‌پور، رحیم علی و پهلوانی، پرهام. (1394). پهنه‌بندی آلودگی ذرات معلق (PM) با استفاده از مدل‌های آماری محلی در GIS (مطالعه موردی: کلان‌شهر تهران). علوم و فنون نقشه‌برداری، 5 (3)، 74-165.
  2. شرعی‌پور، زهرا. و علی اکبری بیدختی، عباسعلی. (1393). بررسی توزیع مکانی زمانی آلاینده‌های هوا در شهر تهران برای ماه‌های سرد سال‌های 2013-2011. علوم و تکنولوژی محیط زیست، 16 (1)، 149-166.
  3. نادیان، مرضیه؛ میرزایی، روح­الله و سلطانی محمدی، سعید. (1397). کاربرد شاخص خودهمبستگی فضایی موران در تحلیل فضایی-زمانی آلاینده (مطالعه موردی: شهر تهران). مهندسی بهداشت محیط، 5 (3)، 197-213.
  4. AL-Qaness, M. A., Fan, H., Ewees, A. A., Yousri, D. & Abd Elaziz, M. (2021). Improved ANFIS model for forecasting Wuhan City air quality and analysis COVID-19 lockdown impacts on air quality, Environmental Research, 194,
  5. Akbary, M., Kermani, A. & Alijani, B. (2018). Simulation and analysis of polluted days in Tehran. International Journal of Environmental Research, 12, 67-75.
  6. Arhami, M., Hosseini, V., Shahne, M. Z., Bigdeli, M., LAI, A. & Schauer, J. J. (2017). Seasonal trends, chemical speciation and source apportionment of fine PM in Tehran. Atmospheric Environment, 153, 70-82.
  7. Akinyemi, M., Emetere, M., & Akinwumi, S. (2016). Dynamics of wind strength and wind direction on air pollution dispersion. Asian Journal of Applied Sciences, 4 (2), 1-12.
  8. Azarmi, F., Kumar, P., Marsh, D. & Fuller, G. (2016). Assessment of the long-term impacts of PM 10 and PM 2.5 particles from construction works on surrounding areas. Environmental Science: Processes & Impacts, 18, 208-221.
  9. Alizadeh-Choobari, O., Bidokhti A A., Ghafarian, P., & Najafi, MS. (2016). Temporal and spatial variations of particulate matter and gaseous pollutants in the urban area of Tehran. Atmos Environ, 141, 443-53.
  10. Anselin, L. (1995). Local indicators of spatial association—LISA. Geographical analysis, 27, 93-115.
  11. Anselin, L. & Getis, A. (1992). Spatial statistical analysis and geographic information systems. The Annals of Regional Science, 26, 19-33.
  12. Arjun, K., & Aneesh, K. (2015). Modelling studies by application of artificial neural network using matlab.
  1.  Journal of Engineering Science and Technology, 10, 1477-1486.
  1. Budnik, T., & Casteleyn, L. (2019). Mercury pollution in modern times and its socio-medical consequences. Science of The Total Environment, 654, 720-734.
  2. BaldaufL, R. W., Isakov, V., Deshmukh, P., Venkatram, A., Yang, B. & Zhang, K. M. (2016). Influence of solid noise barriers on near-road and on-road air quality. Atmospheric Environment, 129, 265-276.
  3. Baghban, , Ahmadi, M. A., & Shahraki, B. H. (2015). Prediction carbon dioxide solubility in presence of various ionic liquids using computational intelligence approaches. The Journal of supercritical fluids, 98, 50-64.
  4. Basser, H., Karami, H., Shamshirband, S., Akib, S., Amirmojahedi, M., Ahmad, R., Jahangirzadeh, A. & Javidnia, H. (2015). Hybrid ANFIS–PSO approach for predicting optimum parameters of a protective spur dike. Applied Soft Computing, 30 ,649-642.
  5. Banu, G., & Suja, S. (2014). Fault location technique using GA-ANFIS for UHV line. Archives of Electrical Engineering,12, 247-262.
  6. Berkowicz, R., Palmgren, F., Hertel, O. & Vignati, E. (1996). Using measurements of air pollution in streets for evaluation of urban air quality—meterological analysis and model calculations. Science of the total environment, 189, 259-265.
  7. Cichowicz, R., Wielgosinski, G., & Fetter, W. (2020). Effect of wind speed on the level of particulate matter PM10 concentration in atmospheric air during winter season in vicinity of large combustion plant. Journal of Atmospheric Chemistry, 77, 35-48.
  8. Cujia, A., Agudelo-Castaneda, D., Pacheco-Bustos, C. & Teixeira, E. C. (2019). Forecast of PM10 time-series data: A study case in Caribbean cities. Atmospheric Pollution Research, 10, 2053-2062.
  9. Ceylan, Z., Pekel, E., Ceylan, S. & Bulkan, S. (2018). Biomass higher heating value prediction analysis by ANFIS, PSO-ANFIS and GA-ANFIS. Global Nest Journal, 20, 589-597.
  10. Chen, Y. (2018). Prediction algorithm of PM2. 5 mass concentration based on adaptive BP neural network. Computing, 100, 825-838.
  11. Chinneck, J. W. (2006). Practical optimization: a gentle introduction. Systems and Computer Engineering), Carleton University, Ottawa. http://www. sce. carleton. ca/faculty/chinneck/po. html, 11.
  12. De Rooij, M. M., Heederik, D. J., Borlee, F., Hoek, G. & Wouters, I. M. (2017). Spatial and temporal variation in endotoxin and PM10 concentrations in ambient air in a livestock dense area. Environmental research, 153, 161-170.
  13. Fang, C., Wang, Z., & Xu, G. (2016). Spatial-temporal characteristics of PM 2.5 in China: A city-level perspective analysis. Journal of Geographical Sciences, 26, 1519-1532.
  14. Feng, Q., Wu, S., Du, Y., Xue, H., Xiao, F., Ban, X. & Li, X. (2013). Improving neural network prediction accuracy for PM10 individual air quality index pollution levels. Environmental engineering science, 30, 725-732.
  15. Ghasemi, A., & Amanollahi, J. (2019). Integration of ANFIS model and forward selection method for air quality forecasting. Air Quality, Atmosphere & Health, 12, 59-72.
  16. Ghotbi, S., Sotoudeheian, S. & Arhami, M. (2016). Estimating urban ground-level PM10 using MODIS 3km AOD product and meteorological parameters from WRF model. Atmospheric Environment, 141, 333-346.
  17. Goldberg, D. E., & Holland, J. H. (1988). Genetic algorithms and machine learning.
  18. Goodchild, M. F. (1986). Spatial autocorrelation. Geo Books.
  19. Humpe, A., Brehm, L., & Gunzel, H. (2021). Forecasting Air Pollution in Munich: A Comparison of MLR, ANFIS, and SVM. ICAART, (2), 500-506.
  20. Han, L., Zhao, J., Gao, Y., Gu, Z., Xin, K., & Zhang, J. (2020). Spatial distribution characteristics of PM2. 5 and PM10 in Xi’an City predicted by land use regression models. Sustainable Cities and Society, 61, 102329.
  21. Heger, M., & SARRAF, M. (2018). Air pollution in Tehran: Health costs, sources, and policies, World Bank.
  22. Hossaini, M., Mekhilef, S., Afifi, F., Halabi, L. M., Olatomiwa, L., Seyedmahmoudian, M., Horan, B. & Stojcevski, A. (2018). Application of the hybrid ANFIS models for long term wind power density prediction with extrapolation capability. PloS one, 13, e0193772.
  23. Habibi, R., Alesheikh, A. A., Mohammadinia, A. & Sharif, M. (2017). An assessment of spatial pattern characterization of air pollution: A case study of CO and PM2. 5 in Tehran, Iran. ISPRS international journal of Geo-information, 6, 270.
  24. Hosseini, V., & Shahbazi, H. (2016). Urban air pollution in Iran. Iranian Studies, 49, 1029-1046.
  25. Haupt, R. L., & HAUPT, S. E. (2004). Practical genetic algorithms. John Wiley & Sons.
  26. Johansson, C., Norman, M., & Gidhagen, L. (2007). Spatial & temporal variations of PM10 and particle number concentrations in urban air. Environmental monitoring and assessment, 127, 477-487.
  27. Jang, J. S. (1996). Input selection for ANFIS learning. Proceedings of IEEE 5th International Fuzzy Systems, IEEE, 1493-1499.
  28. Jang, J. S. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions on systems, man, and cybernetics, 23, 665-685.
  29. Keykhosrowi, G., & Lashkari, H. (2014). Analysis of the relationship between the thickness and height of the inversion and the severity of air pollution in Tehran.
  30. Khan, F., Latif, M. T., Juneng, L., Amil, N., Mohd Nadzir, M. S. & Syedul Hoque, H. M. (2015). Physicochemical factors and sources of particulate matter at residential urban environment in Kuala Lumpur. Journal of the Air & Waste Management Association, 65, 958-969.
  31. Koza, J. (2007). Introduction to genetic programming. Proceedings of the 9th annual conference companion on Genetic and evolutionary computation, 3323-3365.
  32. Katsouyanni, K., Pantazopoulou, A., Touloumi, G., Tselepidaki, I., Moustris, K., Asimakopoulos, D., Poulopoulou, G. & Trichopoulos, D. (1993). Evidence for interaction between air pollution and high temperature in the causation of excess mortality. Archives of Environmental Health: An International Journal, 48, 235-242.
  33. Li, H., Guo, B., Han, M., Tian, M. & Zhang, J. (2015). Particulate matters pollution characteristic and the correlation between PM (PM 2.5, PM 10) and meteorological factors during the summer in Shijiazhuang. Journal of Environmental Protection, 6, 457.
  34. Lei, K. S., & Wan, F. (2012). Applying ensemble learning techniques to ANFIS for air pollution index prediction in Macau. International Symposium on Neural Networks, Springer, 509-516.
  35. Masoudi, M., Sakhaei, M., Behzadi, F. & Jokar, P. (2016). Status of PM10 as an air pollutant and its prediction using meteorological parameters in Tehran, Iran. Environ. Bull, 25, 2008-201.
  36. Mihalache, S. F., Popescu, M. & Oprea, M. (2015). Particulate matter prediction using ANFIS modelling techniques. 19th International Conference on System Theory, Control and Computing (ICSTCC), 2015. IEEE, 895-900.
  37. Ord, J. K., & Getis, A. (1995). Local spatial autocorrelation statistics: distributional issues and an application. Geographical analysis, 27, 286-306.
  38. Prasad, K., Gorai, A. K. & GOYAL, P. (2016). Development of ANFIS models for air quality forecasting and input optimization for reducing the computational cost and time. Atmospheric environment, 128, 246-262.
  39. Paschalidou, A. K., Karakitsios, S., Kleanthous, S. & Kassomenos, P. A. (2011). Forecasting hourly PM 10 concentration in Cyprus through artificial neural networks and multiple regression models: Implications to local environmental management. Environmental Science and Pollution Research, 18, 316-327.
  40. Rezakazemi, M., Dashti, A., Asghari, M. & Shirazian, S. (2017). H2-selective mixed matrix membranes modeling using ANFIS, PSO-ANFIS, GA-ANFIS. International Journal of Hydrogen Energy, 42, 15211-15225.
  41. Rosenlund, M., Picciotto, S., Forastiere, F., Stafoggia, M., & Perucci, C. A. (2008). Traffic-related air pollution in relation to incidence and prognosis of coronary heart disease. Epidemiology,15, 121-128.
  42. Roberts, S. (2004). Interactions between particulate air pollution and temperature in air pollution mortality time series studies. Environmental research, 96, 328-337.
  43. Sulaiman, G., & Younes, M. K. (2018). Modelling of traffic emissions using modified synchro-anfis integrated model on traffic signals. Feb-Fresenius Environmental Bulletin, 8308.
  44. Shahbazi, H., Ganjiazad, R., Hosseini, V. & Hamedi, M. (2017). Investigating the influence of traffic emission reduction plans on Tehran air quality using WRF/CAMx modeling tools. Transportation Research Part D: Transport and Environment, 57, 484-495.
  45. Stoimenova, M., Voynikova, D., Ivanov, A., Gocheva-Ilieva, S. & Iliev, I. (2017). Regression trees modeling and forecasting of PM10 air pollution in urban areas. AIP Conference Proceedings, AIP Publishing LLC, 030005.
  46. Sbihi, H., Tamburic, L., Koehoorn, & Brauer, M. (2016). Perinatal air pollution exposure and development of asthma from birth to age 10 years. European Respiratory Journal, 47, 1062-1071.
  47. Shahbazi, H., Reyhanian, M., Hosseini, V. & Afshin, H. (2016). The relative contributions of mobile sources to air pollutant emissions in Tehran, Iran: an emission inventory approach. Emission control science and technology, 2, 44-56.
  48. Shahraiyni, H. T., Sodoudi, S., Kerschbaumer, A. & Cubasch, U. (2015). A new structure identification scheme for ANFIS and its application for the simulation of virtual air pollution monitoring stations in urban areas. Engineering Applications of Artificial Intelligence, 41, 175-182.
  49. Sharipour, Z., & Akbaribidokhti, A. (2014). Investigation of spatial and temporal distributions of air pollutants over Tehran in cold months of 2011-2013. Journal of Environmental Science and Technology, 16, 149-166.
  50. Tella, A., & Balogun, A.-L. (2021). Prediction of ambient PM10 concentration in Malaysian cities using geostatistical analyses. Journal of Advanced Geospatial Science & Technology, 1, 115-127.
  51. Taheri Shahraiyni, H., & Sodoudi, S. (2016). Statistical modeling approaches for PM10 prediction in urban areas; A review of 21st-century studies. Atmosphere, 7, 1-15.
  52. Venegas, L., & MAazzeo, N. (2006). Modelling of urban background pollution in Buenos Aires City (Argentina). Environmental Modelling & Software, 21, 577-586.
  53. Wu, J., Winer, A. M., & Delfino, R. J. (2006). Exposure assessment of particulate matter air pollution before, during, and after the 2003 Southern California wildfires. Atmospheric Environment, 40, 3333-3348.
  54. Yanosky, J. D., Fisher, J., Liao, D., Rim, D., Vander Wal, R., Groves, W. & Puett, C. (2018). Application and validation of a line-source dispersion model to estimate small scale traffic-related particulate matter concentrations across the conterminous US. Air Quality, Atmosphere & Health, 11, 741-754.
  55. Yavari, H., & Saligheh, M. (2011). Air pollution inversion levels in Tehran city.
  56. Zhang, J. & Ding, W. (2017). Prediction of air pollutants concentration based on an extreme learning machine the case of Hong Kong. International journal of environmental research and public health, 14, 114.
  57. Zhu, Y., Hinds, W. C., Kim, S., Shen, S. & Sioutas, C. (2002). Study of ultrafine particles near a major highway with heavy-duty diesel traffic. Atmospheric environment, 36, 4323-4335.
آمار
تعداد مشاهده مقاله: 287
تعداد دریافت فایل اصل مقاله: 283





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب