جستجو در مقالات منتشر شده


3 نتیجه برای ذرات معلق
سنجش و پیش بینی آلاینده جوی ذرات معلق کمتر از 10 میکرون(PM10) شهر اهواز با استفاده از روش‌های آماری و شبکه عصبی MLP
خانم عاطفه بساک، دکتر زهرا حجازی زاده، دکتر اکبر حیدری تاشه کبود،
دوره 0، شماره 0 - ( 1-1300 )
چکیده
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.
 

تهیه نقشه توزیع مکانی ذرات معلق با قطر کمتر از دو نیم میکرومتردر هوای شهر تهران با استفاده از داده های سنجنده مودیس
عباس حجازی، محمدرضا مباشری، ابولفضل احمدیان مرج،
دوره 12، شماره 26 - ( 9-1391 )
چکیده
ذرات با قطر کمتر از 5/2 میکرومتر به شدت سلامتی ساکنین شهرهای بزرگ را تهدید می­کند. تا کنون روش­های مختلفی برای آشکارسازی این ذرات با استفاده از تصاویر ماهواره­ای پیشنهاد شده­است. اغلب این روش­ها نیاز به واسنجی برای اقلیم­های متفاوت دارند. در این پژوهش با استفاده از رگرسیون خطی، بین سهم بازتابندگی ناشی از پراکنش توسط هواویزها ، مستخرج از داده­های سنجنده مودیس و غلظت ذرات معلق با قطر کمتر از دو نیم میکرومتر اندازه­گیری­شده توسط دوازده ایستگاه آلودگی­سنج شهر تهران یک ارتباط برقرار شد.  محاسبه هواویزه مستلزم محاسبه بازتابندگی سطحی می­باشد. برای محاسبه بازتابندگی سطحی در باندهایی که از ذرات معلق شهری متاثر می­شوند،  از روابط تجربی موجود بین بازتابندگی در طول موج­های مرئی و 12/2 میکرومتر استفاده شد. با استفاده از نقشه توزیع آلودگی ذرات معلق که از این روش ترسیم شد، ملاحظه می­شود که آلودگی مناطق مرکزی بیش از سایر قسمت­های شهر می­باشد. برای کاهش عدم قطعیت، در مراحل آماده­سازی و پردازش در این تحقیق تست ابر با استفاده از روش آستانه­گذاری دمای درخشندگی انجام گردید.                  



 
 
مقایسه پراکنش خطا در شبکه‌های عصبی مصنوعی بازگشتی Elman و Jordan در تخمین غلظت ذرات معلق اتمسفر (PM10)با استفاده از تصاویر ماهواره‌ای MODIS (مورد مطالعاتی: شهر اهواز)
جواد سدیدی، هانی رضائیان، محمدرضا برشان،
دوره 17، شماره 47 - ( 10-1396 )
چکیده
بواسطه پیچیدگی عملکردی پدیده آلودگی هوا، از روش­های هوش مصنوعی بالاخص شبکه عصبی برای مدل سازی آلودگی هوا استفاده می­شود. هدف از این پژوهش دو مدل شبکه عصبی بازگشتی Elman و Jordan در زمینه پراکنش خطا و اعتبارسنجی آنها، به منظور تخمین غلظت ذرات معلق موجود در اتمسفر در شهر اهواز می­باشد. پارامترهای مورد استفاده شامل رطوبت، فشار هوا، دما و عمق نوری آئروسل می­بوده که مقادیر آن از تصاویر ماهواره­ای MODIS و داده­های ایستگاه­های هواشناسی تهیه شده است. نتایج نشان می­داد که مدل Jordan با مقدار RMSE معادل 9/219 میلی گرم بر متر مکعب نسبت به مدل Elman با مقدار RMSE معادل 5/228 دقت برازش بهتری داشته است. مدل Jordan به دلیل استفاده از حلقه­های درونی سبب به­روز رسانی مقادیر زمینه شده و این امر موجب افزایش صحت مدل می­شود. مقدار شاخص R2 ، که نماینده میزان رابطه خطی بین مقادیر پیش­بینی شده با مقادیر واقعی است، برای مدل Jordan معادل 5/0 بدست­آمده است که درصد تخمین صحیح 50 درصد داده­ها را نشان می­داد. در نهایت با استفاده ازداده­های مربوط به غلظت PM10 برای روز 162 که بالاترین میزان غلظت را داشت با روش درونیابی IDW نقشه توزیع مکانی آن تولید شد. با توجه به گران بودن ایستگاه­های آلودگی سنجی پیشنهاد شد از منابع کمکی دیگر مانند اطلاعات داوطلبانه با استفاده از سنسورهای ارزان قیمت موبایل به عنوان ایستگاه کمکی متحرک و کم هزینه جهت افزایش تراکم و پراکنش مناسب ایستگاه­ها جهت مدلسازی دقیق­تر آلودگی هوا استفاده شود.
 

صفحه 1 از 1     

کلیه حقوق این وب سایت متعلق به تحقیقات کاربردی علوم جغرافیایی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Applied researches in Geographical Sciences

Designed & Developed by : Yektaweb