پیش بینی کوتاه-مدت غلظت آلاینده co با استفاده از مدل ترکیبی رگرسیون- شبکه عصبی مطالعه موردی: ایستگاه ژئوفیزیک شهر تهران
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 498
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
EICONF02_035
تاریخ نمایه سازی: 19 اردیبهشت 1395
Abstract:
آلودگی هوا محصول جانبی و نامناسب پیشرفت صنعتی و تکنولوژی است که متاسفانه پا به پای آن رشد کرده واکنون دامنه ی آن از یک شکل محلی و ملی فراتر رفته و به یک معضل جهانی تبدیل شدهاست. هدف اصلی از انجام این تحقیق، ارائه یک مدل ترکیبی جدید بمنظور پیش بینی کوتاه مدت کیفیت هوا بوده است. بدین منظور غلظت آلایندهCO در ایستگاه ژئوفیزیک شهر تهران مورد بررسی قرار گرفت و با استفاده از مدل رگرسیون، شبکه عصبی و مدل ترکیبیرگرسیون-شبکه عصبی، مقادیر متوسط غلظت آلاینده در 24 ساعت آینده تحت تأثیر پارامترهای جوی و وضعیت آلودگیگذشته، پیشبینی و ارزیابی شد. نتایج حاصل از مدلسازی زمانی، عملکرد مطلوب مدل ترکیبی را در ایستگاه ژئوفیزیک با شاخص ضریب تعیین0/99در سطح بسیار بالایی نشان داد. مشاهده شد که مدلهای رگرسیون و شبکه عصبی در پیش بینی مقادیر بالای غلظت، عملکرد ضعیفتری داشتند و عموماً در پیشبینی مقادیر بالا، تمایل به زیربرآورد نشان دادند، در حالی که مدل ترکیبی توانایی بسیار بالایی در پیشبینی مقادیر بالای غلظت نشان داد و بطور متوسط در حدود کمتر از 0/5ppm تمایل به زیربرآورد داشته است. همچنین شاخصهای ضریب تعیین و ضریب راندمان در شبکه ترکیبی نسبت به شبکه عصبی در حدود 40 %، واریانس نسبی میانگین 35 %، خطای ریشه میانگین مربعات 30 %، میانگین خطای مطلق 20درصد خطای استاندارد 10واحد و سرانجام شاخص پایداری نیز0/45 بهبود یافته اند
Keywords:
Authors
مرضیه دادی زاده
کارشناسی ارشد سنجش از دور وGIS گروه جغرافیا، دانشکده علوم انسانی، دانشگاه هرمزگان
حسین ملکوتی
استادیارگروه علوم غیر زیستی جوی و اقیانوسی، دانشکده علوم و فنون دریایی، دانشگاه هرمزگان
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 :