مقالات آماده انتشار(موقت)
برگشت به فهرست مقالات |
برگشت به فهرست نسخه ها
1- گروه جغرافیا طبیعی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی تهران، تهران، ایران، bosak.a.69@gmail.com ، bosak.a.69@gmail.com
2- گروه جغرافیا طبیعی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی تهران، تهران، ایران، hedjazizadeh@yahoo.com
3- گروه هوش مصنوعی و شهرهای هوشمند دانشگاه ژائو ژنگ، چین و گروه جغرافیا و برنامه‌ریزی شهری، دانشگاه فردوسی مشهد، ایران .، Heydariakbar@gmail.com
2- گروه جغرافیا طبیعی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی تهران، تهران، ایران، hedjazizadeh@yahoo.com
3- گروه هوش مصنوعی و شهرهای هوشمند دانشگاه ژائو ژنگ، چین و گروه جغرافیا و برنامه‌ریزی شهری، دانشگاه فردوسی مشهد، ایران .، Heydariakbar@gmail.com
چکیده: (3672 مشاهده)
این پژوهش با هدف ارزیابی ارتباط میان پارامترهای هواشناسی و غلظت ذرات معلق PM10 و پیش‌بینی میزان این آلاینده در شهر اهواز انجام‌شده است. داده‌های روزانه‌ی پارامترهای هواشناسی (دما، سرعت باد، جهت باد، دید افقی، بارش و رطوبت نسبی) و غلظت PM10 در بازه زمانی 1390 تا 1402 از سازمان هواشناسی و اداره کل محیط‌زیست خوزستان گردآوری شد. پس از پیش‌پردازش داده‌ها، از آزمون کلموگروف-اسمیرنوف برای بررسی نرمال بودن توزیع آن‌ها استفاده شد. با توجه به عدم نرمال بودن داده‌ها، از ضرایب همبستگی اسپیرمن و تاوی بی کندال برای ارزیابی ارتباط میان متغیرها بهره گرفته شد. تحلیل‌های آماری و مدل‌سازی با استفاده از نرم‌افزار SPSS و زبان برنامه‌نویسی پایتون در محیط اسپایدر انجام شد. نتایج تحلیل همبستگی نشان داد که بین غلظت PM10 و برخی پارامترهای هواشناسی ارتباط معناداری وجود دارد. به‌طور خاص، همبستگی مثبت و معناداری بین PM10 و دما (0.284 و 0.187) و سرعت باد(0.094 و 0.061)، و همبستگی منفی و معناداری بین PM10 و دید افقی (0.408- و 0.300 -)، جهت باد (0.048 – و 0.034 -)، بارش (0.159 – و 0.125-) و رطوبت نسبی (0.259 – و 0.173-) مشاهده شد. در ادامه، برای پیش‌بینی غلظت PM10 از مدل شبکه عصبی مصنوعی چندلایه پرسپترون (MLP) استفاده شد. ساختار شبکه شامل یک لایه ورودی با شش نورون (مربوط به شش پارامتر هواشناسی)، سه لایه مخفی با ۱۶، ۳۲ و ۶۴ نورون و یک لایه خروجی بود. نتایج ارزیابی مدل نشان داد که شبکه عصبی MLP توانایی بالایی در پیش‌بینی غلظت PM10 دارد و خطای پیش‌بینی در مراحل آموزش، اعتبارسنجی و آزمون در سطح قابل قبولی قرار دارد.
واژه‌های کلیدی: آلودگی هوا، شبکه عصبی، پرسپترون چند لایه (MLP)، ذرات معلق کمتر از ده میکرون (PM10)، سری‌های زمانی، رگرسیون، اهواز.
نوع مطالعه: پژوهشي |
موضوع مقاله:
اب و هواشناسی
فهرست منابع
1. بساک، عاطفه؛ حجازی زاده، زهرا؛ حیدری تاشه کبود، اکبر (1402). واکاوی سری زمانی آلاینده جوی PM10 در شهر جهانی شوشتر با استفاده از روش‌های آماری (2023-2014). دومین کنفرانس ملی و اولین کنفرانس بین‌المللی روز آینده، شهر آینده، تهران.
2. حسینی، سید اسعد.، مسگری، ابراهیم،. سالاری فنودی، محمدرضا. (1395). شبکه‌های عصبی مصنوعی در آب‌وهواشناسی. زنجان: آذرکلک.
3. زنگوئی، حسین؛ اسداله فردی، غلامرضا (1396). پیش‌بینی آلودگی pm10 هوای شهر مشهد با استفاده از شبکه‌های عصبی مصنوعی MLP و مدل زنجیره مارکف. تحقیقات کاربردی علوم جغرافیایی، 17(47)، 39-59.
4. سالنامه آماری استان خوزستان، 1398
5. صادقی، حسین؛ خاکسار آستانه، سمانه (1393). پیش‌بینی کوتاه‌مدت آلودگی ذرات معلق شهر اهواز با کمک شبکه‌های عصبی. پژوهش‌های محیط‌زیست، 5(9)، 177-186.
6. عالی محمودی سراب، سجاد؛ معیری، محمدهادی؛ شتایی جویباری، شعبان؛ راشکی، علیرضا (1397). برآورد میزان آلودگی هوا (PM10) با استفاده از داده‌های آب و هوایی (مطالعه موردی: شهرستان اهواز). محیط‌زیست طبیعی، منابع طبیعی ایران، 71(3)، 385-397. doi: 10.22059/JNE.2018.221268.1280
7. عساکره، حسین. (1390). میانی اقلیم‌شناسی آماری. زنجان، چاپ اول: دانشگاه زنجان.
8. قربانی سالخورد، رضوان؛ مباشری، محمدرضا؛ رحیم زادگان، مجید (1391). روشی سریع در برآورد غلظت ذرات معلق با استفاده از سنجنده مودیس: یک مطالعه موردی در تهران، مجله پژوهشی حکیم، 15(2)، 166-177.
9. کیخسروی، سعید؛ نژادکورکی، فرهاد؛ امین طوسی، محمود (1398). ارزیابی دقت شبکه‌های عصبی مصنوعی در پیش‌بینی گردوغبار کارخانه سیمان سبزوار، فصلنامه پژوهش در بهداشت محیط. 5(1)، 43-52.
10. مهرجو، فرزاد؛ باغخانی پور، محمدصابر؛ علم، امیر (2023). بررسی آلودگی هوای ناشی از صنعت فروسیلیس (مطالعه موردی: کارخانه فروآلیاژ ایران، لرستان). مخاطرات محیط طبیعی، 12(37)، 117-132.
11. ویژگی‌های جغرافیایی استان خوزستان https://khzmet.ir/image/climakh.pdf
12. هدایت زاده، فریبا؛ ایلدرمی، علیرضا؛ حسن‌زاده، نسرین (1398). تحلیل کیفیت هوا براساس ذرات معلق PM2. 5 و PM10 با دو روش USEPA-AQI و IND-AQI و فاکتور EF در شهر اهواز در سال‌های 1395 و 1396. مجله مهندسی بهداشت محیط، 7، 57-75.
13. Adil, M., Ullah, R., Noor, S., & Gohar, N. (2020). Effect of number of neurons and layers in an artificial neural network for generalized concrete mix design. Neural computing and applications, 34(11), 8355-8363. [DOI:10.1007/s00521-020-05305-8]
14. Alimahmoodi Sarab, S., Shataee Jouybari, S., & Rashki, A. (2018). The Estimate of Dust Concentration Using of Weather Variable (A Case study: Ahvaz City). Journal of Natural Environment, 71(3), 385-397. doi: 10.22059/jne.2018.221268.1280. (in Persian)
15. Asaei-Moamam, Z. S., Safi-Esfahani, F., Mirjalili, S., Mohammadpour, R., & Nadimi-Shahraki, M. H. (2023). Air quality particulate-pollution prediction applying GAN network and the Neural Turing Machine. Applied Soft Computing, 147, 110723. [DOI:10.1016/j.asoc.2023.110723]
16. Baawain, M. S., & Al-Serihi, A. S. (2014). Systematic approach for the prediction of ground-level air pollution (around an industrial port) using an artificial neural network. Aerosol and air quality research, 14(1), 124-134. [DOI:10.4209/aaqr.2013.06.0191]
17. Biancofiore, F., Busilacchio, M., Verdecchia, M., Tomassetti, B., Aruffo, E., Bianco, S., ... & Di Carlo, P. (2017). Recursive neural network model for analysis and forecast of PM10 and PM2. 5. Atmospheric Pollution Research, 8(4), 652-659. [DOI:10.1016/j.apr.2016.12.014]
18. Bosak, Atefeh., hejazizadeh, Zahra., Heydari Tashekaboud, Akbar. (2024). Analyzing the time series of PM10 air pollution in Shushtar International City using statistical methods (2014-2023). The second national and first international conference of futures day, futures city. Tehran. (in Persian)
19. Cabaneros, S. M., Calautit, J. K., & Hughes, B. R. (2019). A review of artificial neural network models for ambient air pollution prediction. Environmental Modelling & Software, 119, 285-304. [DOI:10.1016/j.envsoft.2019.06.014]
20. Carnevale, C., Pisoni, E., & Volta, M. (2010). A non-linear analysis to detect the origin of PM10 concentrations in Northern Italy. Science of the Total Environment, 409(1), 182-191. [DOI:10.1016/j.scitotenv.2010.09.038] [PMID]
21. Dong, J., Goodman, N., & Rajagopalan, P. (2023). A Review of Artificial Neural Network Models Applied to Predict Indoor Air Quality in Schools. International Journal of Environmental Research and Public Health, 20(15), 6441. [DOI:10.3390/ijerph20156441] [PMID] []
22. Eslamloueyan, R., & Khademi, M. H. (2009). Estimation of thermal conductivity of pure gases by using artificial neural networks. International Journal of Thermal Sciences, 48(6), 1094-1101. [DOI:10.1016/j.ijthermalsci.2008.08.013]
23. Garsa, K., Khan, A. A., Jindal, P., Middey, A., Luqman, N., Mohanty, H., & Tiwari, S. (2023). Assessment of meteorological parameters on air pollution variability over Delhi. Environmental Monitoring and Assessment, 195(11), 1315. [DOI:10.1007/s10661-023-11922-2] [PMID]
24. Ge, R., Kuditipudi, R., Li, Z., & Wang, X. (2018). Learning two-layer neural networks with symmetric inputs. arXiv preprint arXiv:1810.06793.
25. Grivas, G., & Chaloulakou, A. (2006). Artificial neural network models for prediction of PM10 hourly concentrations, in the Greater Area of Athens, Greece. Atmospheric environment, 40(7), 1216-1229. [DOI:10.1016/j.atmosenv.2005.10.036]
26. Hedayatzadeh F, Ildoromi A, Hassanzadeh N. Analysis of air quality based on particulate matter (PM2.5 and PM10) by using two methods USEPA-AQI and IND-AQI and EF Factor in Ahwaz city in 2016 and 2017. jehe 2020; [DOI:10.29252/jehe.0.57. (in Persian)]
27. Heidar Maleki, Armin Sorooshian, Khan Alam, Ahmad Fathi, Tammy Weckwerth, Hadi Moazed, Arsalan Jamshidi, Ali Akbar Babaei, Vafa Hamid, Fatemeh Soltani & Gholamreza Goudarzi (2022). The impact of meteorological parameters on PM10 and visibility during the Middle Eastern dust storms. Journal of Environmental Health Science and Engineering, 20(1), 495-507. [DOI:10.1007/s40201-022-00795-1] [PMID] []
28. Hoang, A. T., Nižetić, S., Ong, H. C., Tarelko, W., Le, T. H., Chau, M. Q., & Nguyen, X. P. (2021). A review on application of artificial neural network (ANN) for performance and emission characteristics of diesel engine fueled with biodiesel-based fuels. Sustainable Energy Technologies and Assessments, 47, 101416. [DOI:10.1016/j.seta.2021.101416]
29. http://aliper.persiangig.com/page8.html
30. https://almaprime.com/
31. https://blog.faradars.org
32. https://www.who.int/health-topics/air-pollution#tab=tab_1
33. Keykhosravi, S. S., Nejadkoorki, F., & Amintoosi, M. (2019). Estimation of Artificial Neural Networks (MLP and RBF) Accuracy in Anticipation of the Dust of the Sabzevar Cement Factory. Journal of Research in Environmental Health, 5(1), 43-52. doi: 10.22038/jreh.2019.38083.1277. (in Persian)
34. Kumar, L. K. L., & Kumar, G. K. D. G. (2024). A Prediction Model for Air Pollution using Artificial Neural Networks. [DOI:10.21203/rs.3.rs-3866173/v1]
35. Liu, J. B., Zheng, Y. Q., & Lee, C. C. (2024). Statistical analysis of the regional air quality index of Yangtze River Delta based on complex network theory. Applied Energy, 357, 122529.https://www.sciencedirect.com/science/article/abs/pii/S0306261923018937#preview-section-introduction [DOI:10.1016/j.apenergy.2023.122529]
36. López-Gonzales, J. L., Gómez Lamus, A. M., Torres, R., Canas Rodrigues, P., & Salas, R. (2023). Self-Organizing Topological Multilayer Perceptron: A Hybrid Method to Improve the Forecasting of Extreme Pollution Values. Stats, 6(4), 1241-1259. [DOI:10.3390/stats6040077]
37. Maleki, H., Sorooshian, A., Goudarzi, G., Baboli, Z., Tahmasebi Birgani, Y., & Rahmati, M. (2019). Air pollution prediction by using an artificial neural network model. Clean technologies and environmental policy, 21, 1341-1352. [DOI:10.1007/s10098-019-01709-w] [PMID] []
38. Mehrjo, F., Baghkhanipour, M., & Alam, A. (2023). Investigating air pollution caused by the ferrosilicon industry (Case study: Iran Ferroalloy Factory, Lorestan). Journal of Natural Environmental Hazards, 12(37), 117-132. doi: 10.22111/jneh.2023.43635.1923. (in Persian)
39. Mishra, P., Pandey, C. M., Singh, U., Gupta, A., Sahu, C., Keshri, A. (2019). Descriptive statistics and normality tests for statistical data. Annals of cardiac anesthesia, 22(1), p. 67.
https://doi.org/10.4103/aca.ACA_157_18 [DOI:10.4103%2Faca.ACA_157_18] [PMID] []
40. Moayedi, H., Mosallanezhad, M., Rashid, A. S. A., Jusoh, W. A. W., & Muazu, M. A. (2020). A systematic review and meta-analysis of artificial neural network application in geotechnical engineering: theory and applications. Neural Computing and Applications, 32, 495-518. [DOI:10.1007/s00521-019-04109-9]
41. Mosley, S. (2014). Environmental history of air pollution and protection. In The basic environmental history (pp. 143-169). Cham: Springer International Publishing. [DOI:10.1007/978-3-319-09180-8_5]
42. Qorbani Salkhord R, Mobasheri MR, Rahimzadehgan M. A Fast Method for Assessment of PM10 Concentration Using MODIS Images, a Case Study in Tehran. Hakim Research Journal 2012;15(2):166-177. (in Persian)
43. Ramalho, O., Malingre, L., Sivanantham, S., Little, J. C., & Mandin, C. (2019). Machine learning and statistical models for predicting indoor air quality. Indoor Air, 29(5), 704-726. [DOI:10.1111/ina.12580] [PMID]
44. Rodrıguez, S., Querol, X., Alastuey, A., Kallos, G., & Kakaliagou, O. (2001). Saharan dust contributions to PM10 and TSP levels in Southern and Eastern Spain. Atmospheric Environment, 35(14), 2433-2447. [DOI:10.1016/S1352-2310(00)00496-9]
45. sadeghi, H., & khaksar, S. (2015). Neural Network Model for Short Term Prediction of PM10 Pollution in Ahvaz City. Environmental Researches, 5(9), 177-186. (in Persian)
46. Shams a , Seyedeh Reyhaneh. Kalantary b , Saba. Jahani c , Ali. Shams d , Seyed Mohammad Parsa. Kalantari e , Behrang. Singh a , Deveshwar. Moeinnadini f , Mazaher. Choi,Yunsoo. (2023). Assessing the effectiveness of artificial neural networks (ANN) and multiple linear regressions (MLR) in forcasting AQI and PM10 and evaluating health impacts through AirQ+ (case study: Tehran). Environmental Pollution, 338, 122623. [DOI:10.1016/j.envpol.2023.122623] [PMID]
47. Subramaniam, S., Raju, N., Ganesan, A., Rajavel, N., Chenniappan, M., Prakash, C., ... & Dixit, S. (2022). Artificial intelligence technologies for forecasting air pollution and human health: a narrative review. Sustainability, 14(16), 9951. [DOI:10.3390/su14169951]
48. Taheri, S., & Razban, A. (2021). Learning-based CO2 concentration prediction: Application to indoor air quality control using demand-controlled ventilation. Building and Environment, 205, 108164. [DOI:10.1016/j.buildenv.2021.108164]
49. Ukaogo, P. O., Ewuzie, U., & Onwuka, C. V. (2020). Environmental pollution: causes, effects, and the remedies. In Microorganisms for sustainable environment and health (pp. 419-429). Elsevier. [DOI:10.1016/B978-0-12-819001-2.00021-8]
50. Wang, Z., Tham, M. T., & JULIAN MORRIS, A. (1992). Multilayer feedforward neural networks: a canonical form approximation of nonlinearity. International Journal of Control, 56(3), 655-672. [DOI:10.1080/00207179208934333]
51. Wei, W., Ramalho, O., Malingre, L., Sivanantham, S., Little, J. C., & Mandin, C. (2019). Machine learning and statistical models for predicting indoor air quality. Indoor Air, 29(5), 704-726. [DOI:10.1111/ina.12580] [PMID]
52. Yadav, V., Yadav, A. K., Singh, V., & Singh, T. (2024). Artificial neural network an innovative approach in air pollutant prediction for environmental applications: A review. Results in Engineering, 102305. [DOI:10.1016/j.rineng.2024.102305]
53. Zangooei, Hossein., asadollahfardi. (2017). PM10 Air pollution in mashhad city using artificial neural network and makov chain model. jgs 2017; 17 (47) :39-59. (in Persian)
54. Zhang, H., Srinivasan, R., & Yang, X. (2021). Simulation and analysis of indoor air quality in florida using time series regression (tsr) and artificial neural networks (ann) models. Symmetry, 13(6), 952. [DOI:10.3390/sym13060952]
55. Adil, M., Ullah, R., Noor, S., & Gohar, N. (2020). Effect of number of neurons and layers in an artificial neural network for generalized concrete mix design. Neural computing and applications, 34(11), 8355-8363. [DOI:10.1007/s00521-020-05305-8]
56. Alimahmoodi Sarab, S., Shataee Jouybari, S., & Rashki, A. (2018). The Estimate of Dust Concentration Using of Weather Variable (A Case study: Ahvaz City). Journal of Natural Environment, 71(3), 385-397. doi: 10.22059/jne.2018.221268.1280. (in Persian)
57. Asaei-Moamam, Z. S., Safi-Esfahani, F., Mirjalili, S., Mohammadpour, R., & Nadimi-Shahraki, M. H. (2023). Air quality particulate-pollution prediction applying GAN network and the Neural Turing Machine. Applied Soft Computing, 147, 110723. [DOI:10.1016/j.asoc.2023.110723]
58. Baawain, M. S., & Al-Serihi, A. S. (2014). Systematic approach for the prediction of ground-level air pollution (around an industrial port) using an artificial neural network. Aerosol and air quality research, 14(1), 124-134. [DOI:10.4209/aaqr.2013.06.0191]
59. Biancofiore, F., Busilacchio, M., Verdecchia, M., Tomassetti, B., Aruffo, E., Bianco, S., ... & Di Carlo, P. (2017). Recursive neural network model for analysis and forecast of PM10 and PM2. 5. Atmospheric Pollution Research, 8(4), 652-659. [DOI:10.1016/j.apr.2016.12.014]
60. Bosak, Atefeh., hejazizadeh, Zahra., Heydari Tashekaboud, Akbar. (2024). Analyzing the time series of PM10 air pollution in Shushtar International City using statistical methods (2014-2023). The second national and first international conference of futures day, futures city. Tehran. (in Persian)
61. Cabaneros, S. M., Calautit, J. K., & Hughes, B. R. (2019). A review of artificial neural network models for ambient air pollution prediction. Environmental Modelling & Software, 119, 285-304. [DOI:10.1016/j.envsoft.2019.06.014]
62. Carnevale, C., Pisoni, E., & Volta, M. (2010). A non-linear analysis to detect the origin of PM10 concentrations in Northern Italy. Science of the Total Environment, 409(1), 182-191. [DOI:10.1016/j.scitotenv.2010.09.038] [PMID]
63. Dong, J., Goodman, N., & Rajagopalan, P. (2023). A Review of Artificial Neural Network Models Applied to Predict Indoor Air Quality in Schools. International Journal of Environmental Research and Public Health, 20(15), 6441. [DOI:10.3390/ijerph20156441] [PMID] []
64. Eslamloueyan, R., & Khademi, M. H. (2009). Estimation of thermal conductivity of pure gases by using artificial neural networks. International Journal of Thermal Sciences, 48(6), 1094-1101. [DOI:10.1016/j.ijthermalsci.2008.08.013]
65. Garsa, K., Khan, A. A., Jindal, P., Middey, A., Luqman, N., Mohanty, H., & Tiwari, S. (2023). Assessment of meteorological parameters on air pollution variability over Delhi. Environmental Monitoring and Assessment, 195(11), 1315. [DOI:10.1007/s10661-023-11922-2] [PMID]
66. Ge, R., Kuditipudi, R., Li, Z., & Wang, X. (2018). Learning two-layer neural networks with symmetric inputs. arXiv preprint arXiv:1810.06793.
67. Grivas, G., & Chaloulakou, A. (2006). Artificial neural network models for prediction of PM10 hourly concentrations, in the Greater Area of Athens, Greece. Atmospheric environment, 40(7), 1216-1229. [DOI:10.1016/j.atmosenv.2005.10.036]
68. Hedayatzadeh F, Ildoromi A, Hassanzadeh N. Analysis of air quality based on particulate matter (PM2.5 and PM10) by using two methods USEPA-AQI and IND-AQI and EF Factor in Ahwaz city in 2016 and 2017. jehe 2020; [DOI:10.29252/jehe.0.57. (in Persian)]
69. Heidar Maleki, Armin Sorooshian, Khan Alam, Ahmad Fathi, Tammy Weckwerth, Hadi Moazed, Arsalan Jamshidi, Ali Akbar Babaei, Vafa Hamid, Fatemeh Soltani & Gholamreza Goudarzi (2022). The impact of meteorological parameters on PM10 and visibility during the Middle Eastern dust storms. Journal of Environmental Health Science and Engineering, 20(1), 495-507. [DOI:10.1007/s40201-022-00795-1] [PMID] []
70. Hoang, A. T., Nižetić, S., Ong, H. C., Tarelko, W., Le, T. H., Chau, M. Q., & Nguyen, X. P. (2021). A review on application of artificial neural network (ANN) for performance and emission characteristics of diesel engine fueled with biodiesel-based fuels. Sustainable Energy Technologies and Assessments, 47, 101416. [DOI:10.1016/j.seta.2021.101416]
71. http://aliper.persiangig.com/page8.html
72. https://almaprime.com/
73. https://blog.faradars.org
74. https://www.who.int/health-topics/air-pollution#tab=tab_1
75. Keykhosravi, S. S., Nejadkoorki, F., & Amintoosi, M. (2019). Estimation of Artificial Neural Networks (MLP and RBF) Accuracy in Anticipation of the Dust of the Sabzevar Cement Factory. Journal of Research in Environmental Health, 5(1), 43-52. doi: 10.22038/jreh.2019.38083.1277. (in Persian)
76. Kumar, L. K. L., & Kumar, G. K. D. G. (2024). A Prediction Model for Air Pollution using Artificial Neural Networks. [DOI:10.21203/rs.3.rs-3866173/v1]
77. Liu, J. B., Zheng, Y. Q., & Lee, C. C. (2024). Statistical analysis of the regional air quality index of Yangtze River Delta based on complex network theory. Applied Energy, 357, 122529.https://www.sciencedirect.com/science/article/abs/pii/S0306261923018937#preview-section-introduction [DOI:10.1016/j.apenergy.2023.122529]
78. López-Gonzales, J. L., Gómez Lamus, A. M., Torres, R., Canas Rodrigues, P., & Salas, R. (2023). Self-Organizing Topological Multilayer Perceptron: A Hybrid Method to Improve the Forecasting of Extreme Pollution Values. Stats, 6(4), 1241-1259. [DOI:10.3390/stats6040077]
79. Maleki, H., Sorooshian, A., Goudarzi, G., Baboli, Z., Tahmasebi Birgani, Y., & Rahmati, M. (2019). Air pollution prediction by using an artificial neural network model. Clean technologies and environmental policy, 21, 1341-1352. [DOI:10.1007/s10098-019-01709-w] [PMID] []
80. Mehrjo, F., Baghkhanipour, M., & Alam, A. (2023). Investigating air pollution caused by the ferrosilicon industry (Case study: Iran Ferroalloy Factory, Lorestan). Journal of Natural Environmental Hazards, 12(37), 117-132. doi: 10.22111/jneh.2023.43635.1923. (in Persian)
81. Mishra, P., Pandey, C. M., Singh, U., Gupta, A., Sahu, C., Keshri, A. (2019). Descriptive statistics and normality tests for statistical data. Annals of cardiac anesthesia, 22(1), p. 67.
https://doi.org/10.4103/aca.ACA_157_18 [DOI:10.4103%2Faca.ACA_157_18] [PMID] []
82. Moayedi, H., Mosallanezhad, M., Rashid, A. S. A., Jusoh, W. A. W., & Muazu, M. A. (2020). A systematic review and meta-analysis of artificial neural network application in geotechnical engineering: theory and applications. Neural Computing and Applications, 32, 495-518. [DOI:10.1007/s00521-019-04109-9]
83. Mosley, S. (2014). Environmental history of air pollution and protection. In The basic environmental history (pp. 143-169). Cham: Springer International Publishing. [DOI:10.1007/978-3-319-09180-8_5]
84. Qorbani Salkhord R, Mobasheri MR, Rahimzadehgan M. A Fast Method for Assessment of PM10 Concentration Using MODIS Images, a Case Study in Tehran. Hakim Research Journal 2012;15(2):166-177. (in Persian)
85. Ramalho, O., Malingre, L., Sivanantham, S., Little, J. C., & Mandin, C. (2019). Machine learning and statistical models for predicting indoor air quality. Indoor Air, 29(5), 704-726. [DOI:10.1111/ina.12580] [PMID]
86. Rodrıguez, S., Querol, X., Alastuey, A., Kallos, G., & Kakaliagou, O. (2001). Saharan dust contributions to PM10 and TSP levels in Southern and Eastern Spain. Atmospheric Environment, 35(14), 2433-2447. [DOI:10.1016/S1352-2310(00)00496-9]
87. sadeghi, H., & khaksar, S. (2015). Neural Network Model for Short Term Prediction of PM10 Pollution in Ahvaz City. Environmental Researches, 5(9), 177-186. (in Persian)
88. Shams a , Seyedeh Reyhaneh. Kalantary b , Saba. Jahani c , Ali. Shams d , Seyed Mohammad Parsa. Kalantari e , Behrang. Singh a , Deveshwar. Moeinnadini f , Mazaher. Choi,Yunsoo. (2023). Assessing the effectiveness of artificial neural networks (ANN) and multiple linear regressions (MLR) in forcasting AQI and PM10 and evaluating health impacts through AirQ+ (case study: Tehran). Environmental Pollution, 338, 122623. [DOI:10.1016/j.envpol.2023.122623] [PMID]
89. Subramaniam, S., Raju, N., Ganesan, A., Rajavel, N., Chenniappan, M., Prakash, C., ... & Dixit, S. (2022). Artificial intelligence technologies for forecasting air pollution and human health: a narrative review. Sustainability, 14(16), 9951. [DOI:10.3390/su14169951]
90. Taheri, S., & Razban, A. (2021). Learning-based CO2 concentration prediction: Application to indoor air quality control using demand-controlled ventilation. Building and Environment, 205, 108164. [DOI:10.1016/j.buildenv.2021.108164]
91. Ukaogo, P. O., Ewuzie, U., & Onwuka, C. V. (2020). Environmental pollution: causes, effects, and the remedies. In Microorganisms for sustainable environment and health (pp. 419-429). Elsevier. [DOI:10.1016/B978-0-12-819001-2.00021-8]
92. Wang, Z., Tham, M. T., & JULIAN MORRIS, A. (1992). Multilayer feedforward neural networks: a canonical form approximation of nonlinearity. International Journal of Control, 56(3), 655-672. [DOI:10.1080/00207179208934333]
93. Wei, W., Ramalho, O., Malingre, L., Sivanantham, S., Little, J. C., & Mandin, C. (2019). Machine learning and statistical models for predicting indoor air quality. Indoor Air, 29(5), 704-726. [DOI:10.1111/ina.12580] [PMID]
94. Yadav, V., Yadav, A. K., Singh, V., & Singh, T. (2024). Artificial neural network an innovative approach in air pollutant prediction for environmental applications: A review. Results in Engineering, 102305. [DOI:10.1016/j.rineng.2024.102305]
95. Zangooei, Hossein., asadollahfardi. (2017). PM10 Air pollution in mashhad city using artificial neural network and makov chain model. jgs 2017; 17 (47) :39-59. (in Persian)
96. Zhang, H., Srinivasan, R., & Yang, X. (2021). Simulation and analysis of indoor air quality in florida using time series regression (tsr) and artificial neural networks (ann) models. Symmetry, 13(6), 952. [DOI:10.3390/sym13060952]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
This work is licensed under a Creative Commons — Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)