جستجو در مقالات منتشر شده


2 نتیجه برای Pm10

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.
 

غلامرضا اسدالله فردی، حسین زنگوئی،
دوره 17، شماره 47 - ( 10-1396 )
چکیده

مدیریت ذرات معلق یکی از موارد مهم در کنترل آلودگی شهرها محسوب می­شود. این ذرات باعث ایجاد و توسعه بیماری های قلبی و تنفسی مختلف در افراد می­گردد. شهر مشهد به عنوان یکی از شهرهای اصلی و پرجمعیت ایران با توجه به شرایط اقلیمی و همچنین توریستی بودن، بیش از هر چیزی در معرض خطر این نوع آلودگی قرار دارد. در این تحقیق سعی شده با استفاده از مدل­های پرسپترون شبکه های عصبی مصنوعی و مدل زنجیره مارکوف غلظت PM10 پیش­بینی و تحلیل گردد. برای این منظور از داده­های ساعتی CO، SO2، PM2.5 و دما برای دو ماه فروردین و اردیبهشت در سال 1394 استفاده شد. از مجموع 1488 سری داده، 1300 داده برای آموزش شبکه و 188 داده جهت صحت­سنجی استفاده گردید. نتایج نشان­دهنده عملکرد مطلوب این روش­ها در پیش­بینی میزان آلاینده و همچنین احتمال وقوع ساعات با کیفیت­­های مختلف آلودگی بود. بهترین مدل پرسپترون میزان آلاینده ذرات معلق را با ضریب همبستگی 88/0، شاخص تطابق 91/0، میانگین بایاس خطای 0874/0 و جذر میانگین مربعات خطای 26/2 پیش­بینی نمود، همچنین مدل مارکوف با خطای مطلق متوسط حدود 1/0 درصد احتمالات انتقال وضعیت و تداوم وضعیت­های مختلف آلودگی هوای ناشی از ذرات معلق را پیش­بینی نمود.
 
 
 
 
 
 
 
 

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