مقایسه رگرسیون چند متغیره و شبکه‌های عصبی در مدلسازی مکانی غلظت NOx در تهران

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 656

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ESPME03_297

تاریخ نمایه سازی: 25 اسفند 1392

چکیده مقاله:

آلودگی هوا یکی از مشکلات مهم شهر‌های بزرگ محسوب می‌شود. یکی از اهداف مسئولین شهری آگاه‌سازی شهروندان از میزان کیفیت هوا در مناطق مختلف شهر است. با توجه به اینکه NOx یکی از آلاینده‌های مهم هوا است و تاثیرات زیانباری بر سلامت انسان دارد، به همین دلیل در مقاله حاضر به مدلسازی مکانی غلظت آلاینده NOx با بهره‌گیری از رگرسیون چند متغیره و شبکه‌های عصبی پرداخته شده است. برای این مدلسازی از داده‌های غلظت آلاینده NOx اندازه‌گیری شده در ایستگاه‌های پایش کیفیت هوا شامل 41 ایستگاه ثابت در سال 1391 استفاده شده است. پارامترهای موقعیت، ارتفاع و هواشناسی شامل سرعت باد، جهت باد، دما و رطوبت نسبی به عنوان پارامترهای مکانی موثر در نظر گرفته شدند. رگرسیون چند متغیره و دو نوع شبکه عصبی مصنوعی شامل MLP و RBF مورد استفاده قرار گرفتند. میانگین مجذور کمترین مربعات خطا، برای هرکدام از روش‌ها محاسبه شد و نتایج نشان داد که شبکه عصبی MLP با خطای ppb 17 تا 43، کارایی بهتری نسبت به مدل‌های دیگر برای مدلسازی مکانی آلودگی هوا دارد. این در حالی است که رگرسیون چند متغیره با خطای ppb 56 تا 72 از کمترین دقت برخوردار است. خطای شبکه عصبی RBF برابر با ppb 18 تا 65 می‌باشد. در نهایت نقشه غلظت NOx در پاییز 1391 با استفاده از شبکه عصبی MLP تولید شد. در نقشه تولید شده بیشترین آلودگی در نواحی مرکزی و جنوبی شهر تهران است. اطلاعات تولید شده توسط این مدلسازی می‌تواند در آنالیز، برنامه‌ریزی و مدیریت کیفیت هوای شهر مورد استفاده قرار گیرد. نتایج این تحقیق نشان می‌دهد که شبکه عصبی MLP قابلیت مناسبی در مدلسازی غلظت NOx در تهران دارد.

نویسندگان

مهرداد رفیع پور

دانشجوی کارشناسی ارشد سیستم اطلاعات مکانی،دانشگاه صنعتی خواجه نصیرالدین طوسی،

علی اصغر آل شیخ

دانشیار ، دانشکده مهندسی نقشهبرداری، دانشگاه صنعتی خواجه نصیرالدین طوسی،

عباس علیمحمدی

دانشیار، دانشکده مهندسی نقشهبرداری، دانشگاه صنعتی خواجه نصیرالدین طوسی،

ابوالقاسم صادقی نیارکی

استادیار، دانشکده مهندسی نقشهبرداری، دانشگاه صنعتی خواجه نصیرالدین طوسی،

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • گلباز، سم فرزادکیا، م. و کرمانی، م, بررسی کیفیت بهداشتی ...
  • صفوی، ی و علیجانی، ب, بررسی عوامل جغرافیایی در آلودگی ...
  • سایت اینترنتی سزمان کنترل کیفیت هوای شهر تهران/بخش آموزش, tehra. ...
  • بوداقپور، س. _ پیشبینی غلظت آلاینده های هوای تهران با ...
  • فتح‌تبارفیروزجایی, س، ارزیابی روش‌های مختلف درونیابی در پهنه‌بندی آلاینده‌ها در ...
  • خزایی. ا, اکتشاف دانش به روش فازی-عصبی در محیط GIS ...
  • Pu mmakarnchant , O., N. Tripathi, and J. Dutta, Air ...
  • Abbaspour, M, A.M. Rahmani, and M. Teshnehlab, Carbon monoxide prediction ...
  • Singh, K.P., et al., Linear and nonlinear modeling approaches for ...
  • 0] Ibarra-B erastegi, G., et al., Assessing spatial variability of ...
  • Dominick, D., et al., Spatial assessment of air quality patterns ...
  • D.B, S., Statistical concepts in environmentl science. http ://www. met.rdg ...
  • 3]Balestrassi, P.P., et al., Design of experiments On neural network's ...
  • Haykin, S., Neural Networks: A Comprehens ive Foundation (2nd Edition). ...
  • 5]McCulloch, W. and W. Pitts, A logical calculus of the ...
  • Krose, B. and P. van der Smagt, An Introduction _ ...
  • 7] Ibarra-B erastegi, G., et al., From diagnosis to prognosis ...
  • 8]Broomhead, D.S. and D. Lowe, Multivariable Functional Interpolation and Adaptive ...
  • Park, J. and I.W. Sandberg, Universal Approximation Using Radial -B ...
  • MATLAB toolbox for Neural Network. Chemmom Intell Lab Syst 2011. ...
  • 1] Salcedo-Sanz, S., et al.. Spatial regression analysis of NOx ...
  • Pfeiffer, H., et al., Neural modelling of the spatial distribution ...
  • نمایش کامل مراجع