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
2- گروه جغرافیا طبیعی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی تهران، تهران، ایران
3- گروه هوش مصنوعی و شهرهای هوشمند دانشگاه ژائو ژنگ، چین و گروه جغرافیا و برنامه‌ریزی شهری، دانشگاه فردوسی مشهد، ایران .
2- گروه جغرافیا طبیعی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی تهران، تهران، ایران
3- گروه هوش مصنوعی و شهرهای هوشمند دانشگاه ژائو ژنگ، چین و گروه جغرافیا و برنامه‌ریزی شهری، دانشگاه فردوسی مشهد، ایران .
چکیده: (993 مشاهده)
هدف این مطالعه ارزیابی و پیش‌بینی PM10 شهر اهواز با روش‌های آماری و شبکه عصبی مصنوعی بود. داده‌های روزانه‌ی هواشناسی و داده‌های PM10 (1390 تا 1402) از سازمان هواشناسی و اداره کل محیط‌زیست خوزستان دریافت شد. ابتدا داده‌ها پردازش و نرمال بودن آن‌ها با روش کلموگروف اسمیرنوف بررسی شد. با توجه به غیرنرمال بودن داده‌ها، از روش‌های اسپیرمن و تاوی بی کندال برای بررسی همبستگی‌شان با نرم‌افزار spss استفاده شد. سایر بخش‌ها با زبان برنامه‌نویسی پایتون و در فضای اسپایدر انجام شد؛ سری زمانی و اطلاعات آماری داده‌ها به دست آمد. جهت پیش‌بینی میزان PM10 برای گام‌های زمانی آینده از روش شبکه عصبی (MLP) استفاده شد. بیانگر وجود ارتباط معنادار بین متغیرهای هواشناسی و PM10 بود. به ترتیب، نتایج همبستگی‌های اسپیرمن و تاوی بی کندال نشان داد بین PM10 با سرعت باد (به میزان 0.094 و 0.061) و دما (0.284 و 0.187) دارای همبستگی مثبت و معنادار در سطح اطمینان 99% می‌باشد. همچنین، این پارامتر با دیدافقی (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-) دارای همبستگی معکوس و معناداری در سطح اطمینان 0.99% بوده است. برای پیش‌بینی میزان PM10 آینده، از شبکه عصبی (MLP) استفاده شد. مدل از نوع Sequential با یک لایه‌ی ورودی با 6 نورون، سه لایه‌ی مخفی از نوع Dense با 16، 32 و 64 نورون و یک لایه خروجی بود. میانگین مربعات خطای MSE برای بخش آموزش برابر با 0.0034 و برای داده‌های اعتبارسنجی val_loss: 0.0012 بود. برای بخش آزمایش، اعتبار سنجی برابر mse_mlp=0.0048 و val_loss: 0.0012 بود. نتایج می‌دهد که بین داده‌های هواشناسی و PM10 همبستگی معناداری از نوع مستقیم یا معکوسی وجود دارد. نتایج (MLP) نشان داد که شبکه توانسته عملکرد و خروجی مطلوبی را ارائه دهد و پیش‌بینی قابل‌قبولی برای داده‌های PM10 شهر اهواز داشته باشد.
واژه‌های کلیدی: آلودگی هوا، سری‌های زمانی، شبکه عصبی، پرسپترون چند لایه (MLP)، ذرات معلق کمتر از ده میکرون (PM10)، رگرسیون.
نوع مطالعه: پژوهشي |
موضوع مقاله:
اب و هواشناسی
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
CC BY
نشریه «تحقیقات کاربردی علوم جغرافیایی» به‌طور کامل الزامات انتشار دسترسی آزاد را طبق«CreativeCommons Attribution 4.0 International License (CC BY 4.0)» رعایت می‌کند.
