بهینه سازی متغیرهای هواشناسی به منظور پیش بینی غلظت الاینده های هوا به منظور کاهش هزینه و زمان محاسبات در مدل شبکه عصبی مصنوعی
- سال انتشار: 1399
- محل انتشار: فصلنامه محیط شناسی، دوره: 46، شماره: 1
- کد COI اختصاصی: JR_JESJ-46-1_011
- زبان مقاله: فارسی
- تعداد مشاهده: 292
نویسندگان
گروه محیطزیست، دانشکده منابع طبیعی، دانشگاه کردستان، سنندج، ایران
گروه محیطزیست، دانشکده منابع طبیعی، دانشگاه کردستان، سنندج، ایران
گروه آب و هوا شناسی، دانشکده منابع طبیعی، دانشگاه کردستان، سنندج، ایران
چکیده
شهر کرمانشاه به دلیل وجود صنایع، ترافیک و توفان های گرد و غبار یکی از شهرهای آلوده کشور است. در این پژوهش پنج آلاینده PM۱۰، CO، O۳، NO۲، SO۲ با استفاده از شبکه عصبی پرسپترون چند لایه برای دو بازه ی زمانی امروز و فردا پیش بینی شدند. داده های مستقل شامل هفت کمیت هواشناسی دما، رطوبت نسبی، میزان دید، سرعت باد، نقطه شبنم، فشار، و بارش است. آزمون هم خطی و تکنیک انتخاب پیشرو برای حذف متغیر های ورودی اضافی و ایجاد زیر مجموعه ای از متغیرهای اثر گذار در پیش بینی استفاده شد. مدل بهینه با استفاده از شاخص هایRMSE , ,NMSE IOA, R۲ و FB برای هر آلاینده انتخاب گردید. نتایج نشان می دهد که مدل ۲ با تعداد ۶ کمیت مستقل برای پیش بینی غلظت آلاینده منوکسید کربن و دی اکسید نیتروژن مدلی بهینه است و برای پیش بینی آلاینده ازن مدل ۵ با تعداد ۳ کمیت ورودی مدل مطلوبی می باشد همچنین برای پیش بینی دی اکسید گوگرد مدل ۶ با دو متغیر ورودی و برای پیش بینی ذرات معلق (PM۱۰) مدل ۴ با ۴ متغیر ورودی مناسبترین مدل بوده اند. نتایج این پژوهش نشان می دهد که استفاده از تکنیک انتخاب پیشرو برای بهینه سازی تعداد متغیرها سبب افزایش دقت و کاهش هزینه های پیش بینی خواهد شد.کلیدواژه ها
آزمون هم خطی, پیش بینی, تکنیک انتخاب پیشرو, شبکه عصبی پرسپترون چندلایه, کرمانشاهاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.