مدل سازی مکانی-زمانی پراکنش آلاینده CO با استفاده از تصاویر MODIS و الگوریتم های ANFIS و RF (مطالعه موردی: شهر اصفهان)

Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 185

This Paper With 16 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_SCJS-20-3_001

تاریخ نمایه سازی: 29 آذر 1401

Abstract:

سابقه و هدف: امروزه صنعتی شدن و توسعه شهرنشینی باعث آلودگی هوا در اکثر کلان شهرهای جهان شده است و سالانه میلیون­ ها نفر به ­علت آلودگی هوا جان خود را از دست می­ دهند. با توجه به محدود بودن شبکه ایستگاه های پایش آلاینده های هوا و غیر اقتصادی بودن افزایش تعداد این ایستگاه ها در سطح شهرها، دست یابی به پوشش مکانی و زمانی مناسب برای نشان دادن تغییرات غلظت ذرات آلاینده هوا بسیار دشوار است. بر این اساس پژوهش حاضر با هدف تهیه نقشه ­های دو سالانه (سال های ۱۳۹۷ و ۱۳۹۸ هجری شمسی) آلودگی هوای شهری در سطح شهر اصفهان بر اساس آلاینده CO و با استفاده از داده ­های زمینی و تصاویر ماهواره ­ای سنجنده MODIS انجام شد. مواد و روش­ ها: برای این مطالعه از دو الگوریتم ANFIS و RF استفاده شد. برای اجرای الگوریتم ANFIS، ابتدا داده­ های ایستگاه ­های زمینی پایش آلودگی هوا جمع ­آوری شد و بر اساس آن و با توجه به داده­ های عمق نوری هواویز حاصل از تصاویر سنجنده MODIS نسبت به استخراج قوانین نخستین فازی اقدام شد و در نهایت با ادغام قوانین فازی و الگوریتم شبکه عصبی مصنوعی، الگوریتم ANFIS برای مدل ­سازی پراکنش آلودگی هوا در سطح شهر اصفهان اجرا شد. در اجرای الگوریتم RF نیز از داده­ های ایستگاه ­های زمینی و داده ­های عمق نوری هواویز سنجنده MODIS استفاده شد. دو پارامتر مهم در اجرای الگوریتم RF تعداد درختان جنگل و تعداد متغیرهای موجود در هر گره است که برای بهینه ­سازی آن­ها از روش اعتبارسنجی متقابل ۱۰ قسمتی استفاده شد. نتایج و بحث: نتایج مدل ­سازی آلاینده CO نشان داد الگوریتم RF نتایج بهتری را نسبت به الگوریتم ANFIS ارائه داده است، به ­طوری­ که مقدار خطای RMSE الگوریتم RF، ۷۲۴/۰ و مقدار خطای RMSE الگوریتم ANFIS، ۸۰۹/۰ پی پی ام است، همچنین مقدار خطای MAE الگوریتم RF، ۶۳۶/۰ و مقدار خطای MAE الگوریتم ANFIS، ۷۹۲/۰ پی پی ام است. بنابراین می ­توان گفت الگوریتم RF از کارایی و دقت بیشتری در مدل ­سازی آلاینده CO برخوردار است. نتایج پراکنش مکانی آلاینده CO با استفاده از الگوریتم ANFIS نشان داد میزان این آلاینده در سطح شهر اصفهان به­ صورت محلی تغییر می ­کند، به ­طوری­ که مناطق مرکزی و شمالی شهر اصفهان دارای بیشترین آلایندگی و مناطق شرقی و غربی اصفهان دارای کمترین آلایندگی هستند. بررسی مقادیر عددی به­ دست آمده از الگوریتم ANFIS نیز نشان داد کمترین میزان آلایندگی CO در سطح شهر اصفهان برابر با ۴۳/۱ پی پی ام و بیشترین مقدار آن برابر با ۱۳/۲ پی پی ام است. نتایج به ­دست آمده از الگوریتم RF نشان داد با حرکت از جنوب ­شرقی به سمت شمال ­غربی شهر اصفهان  بر میزان آلاینده CO افزوده شده و مناطق شمال­ غربی شهر اصفهان از بیش­ترین آلایندگی CO برخوردار هستند، بررسی مقادیر عددی به­ دست ­آمده از میزان آلایندگی CO بر اساس الگوریتم RF نشان داد کمترین میزان آلاینده CO برابر با ۵۷/۰ پی پی ام و بیشترین مقدار آن برابر با ۲۷/۲ پی پی ام است. نتیجه ­گیری: در انتها می ­توان نتیجه گرفت الگوریتم ­های ANFIS و RF با داشتن ویژگی­ هایی همچون امکان مدل­ سازی غیر خطی، توانایی کاهش اثرات منفی داده­ های پرت و حساسیت کمتر به مساله کمینه محلی، روش­ هایی مناسب و دقیق در مدل­ سازی مسائل محیطی هستند. شایان ذکر است که بخش گسترده ای از خطای مشاهده شده در نتایج روش­ های ANFIS و RF، مرتبط با ویژگی­ های ذاتی تصاویر سنجنده مودیس (همچون پوشش ابر و مختلط بودن بیش از حد پیکسل­ ها با توجه به ابعاد یک کیلومتری آنها) و نقطه ­ای بودن اندازه گیری­ های ایستگاه ­های زمینی و همچنین امکان خطا در داده ­های ثبت شده در ایستگاه ­های زمینی است.

Authors

سولماز شمسایی

گروه محیط زیست، مرکز تحقیقات پسماند و پساب، دانشگاه آزاد اسلامی واحد اصفهان (خوراسگان)، اصفهان، ایران

مژگان احمدی ندوشن

گروه محیط زیست، مرکز تحقیقات پسماند و پساب، دانشگاه آزاد اسلامی واحد اصفهان (خوراسگان)، اصفهان، ایران

احمد جلالیان

گروه خاکشناسی، دانشگاه آزاد اسلامی واحد اصفهان (خوراسگان)، اصفهان، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :
  • Alavi, C., Kianejad, S. and Sabbagh, S., ۲۰۱۹. Preparation of ...
  • Alikhani, M., Nouri, M.J. and Ghalehnoee, M., ۲۰۱۹. Prioritizing urban ...
  • Chen, X., Chen, H., Yang, Y., Wu, H., Zhang, W., ...
  • Chung, C.J., Hsieh, Y.Y. and Lin, H.C., ۲۰۱۹. Fuzzy inference ...
  • Dehghan, H., ۲۰۱۹. Urban typology focusing on the social pathologies ...
  • Geng, G., Zhang, Q., Martin, R.V., van Donkelaar, A., Huo, ...
  • Ghaemi, Z., Taleai, M., Farnaghi, M. and Javadi, G., ۲۰۱۷. ...
  • Ghahremanloo, M., Lops, Y., Choi, Y. and Mousavinezhad, S., ۲۰۲۱. ...
  • Hastie, T., Tibshirani, R. and Friedman, J., ۲۰۰۹. The elements ...
  • Hochman, A., Rostkier-Edelstein, D., Kunin, P. and Pinto, J.G., ۲۰۲۱. ...
  • Järvi, L., Hannuniemi, H., Hussein, T., Junninen, H., Aalto, P.P., ...
  • Jung, C.R., Hwang, B.F. and Chen, W.T., ۲۰۱۸. Incorporating long-term ...
  • Karaboga, D. and Kaya, E., ۲۰۱۹. Adaptive network based fuzzy ...
  • Kloog, I., Chudnovsky, A.A., Just, A.C., Nordio, F., Koutrakis, P., ...
  • Kumar, D., ۲۰۱۸. Evolving Differential evolution method with random forest ...
  • Li, J., Shao, X. and Zhao, H., ۲۰۱۸. An online ...
  • Li, X. and Zhang, X., ۲۰۱۹. Predicting ground-level PM ۲.۵ ...
  • Lu, J., Li, B., Li, H. and Al-Barakani, A., ۲۰۲۱. ...
  • Mahboubfar, M.R., Rameshat, M.H., Yazdanpanah, H. and Azani, M., ۲۰۱۸. ...
  • Mamkhezri, J., Bohara, A.K. and Islas Camargo, A., ۲۰۲۰. Air ...
  • Navarro-Barboza, H., Moya-Alvarez, A., Luna, A. and Fashe-Raymundo, O., ۲۰۲۰. ...
  • Prasad, K., Gorai, A. K. and Goyal, P., ۲۰۱۶. Development ...
  • Reisi, M., Soffianian, A. and Ghodosi, H., ۲۰۱۵. Sitting industries ...
  • Rezaei, H. and Basirololumi, M., ۲۰۱۸. Estimate the concentration of ...
  • Shao, F., Wu, H., Li, G., Sun, F., Yu, L., ...
  • Tang, J., Xue, Y., Yu, T. and Guan, Y., ۲۰۰۵. ...
  • Tian, J. and Chen, D., ۲۰۱۰. A semi-empirical model for ...
  • Vahdat, A.H. and Alimohammadi, A., ۲۰۲۰. Study of Hourly Variability ...
  • Wei, J., Huang, W., Li, Z., Xue, W., Peng, Y., ...
  • Zeinalnezhad, M., Chofreh, A.G., Goni, F.A. and Klemeš, J.J., ۲۰۲۰. ...
  • Zhou, Y., Chang, L.C. and Chang, F.J., ۲۰۲۰. Explore a ...
  • نمایش کامل مراجع