پديد آورندگان :
جدي، حميدرضا دانشگاه تهران - دانشكده جغرافيا - گروه سنجش از دور و سيستم اطلاعات جغرافيايي , عباسپور، رحيم علي دانشگاه تهران - دانشكده مهندسي نقشه برداري و اطلاعات مكاني - پرديس دانشكده‌هاي فني , خالصيان، مينا دانشگاه تهران - دانشكده مهندسي نقشه برداري و اطلاعات مكاني - پرديس دانشكده‌هاي فني , علوي پناه، كاظم دانشگاه تهران - دانشكده جغرافيا - گروه سنجش از دور و سيستم اطلاعات جغرافيايي
چكيده فارسي :
زمينه و هدف:. راهكارهاي متعددي براي كنترل آلودگي هوا وجود دارد كه يكي از آن‌ها پيش بيني ميزان آن است. هدف از اين تحقيق ارايه يك مدل شبكه عصبي مصنوعي با ساختار چندلايه، براي آلاينده CO در شهر تهران براي پيش بيني 24ساعت آينده آن ميباشد.
روش بررسي: از مشخصه هاي سرعت باد، جهت باد، دما، رطوبت نسبي و فشار هوا به عنوان داده هاي هواشناسي و از غلظت منوكسيدكربن به عنوان پارامتر آلودگي هوا به منظور پيش بيني مقدار آلاينده CO در روز آتي (24 ساعت آينده) استفاده شد. جهت حذف نويز داده ها، در مرحله پيش پردازش داده ها، از دو روش تبديل موجك و تعيين حد آستانه به كمك توزيع نرمال استفاده گرديد.
يافته‌ها: نتايج حاصل از شاخص هاي آماري ضريب همبستگي، شاخص توافق، دقت پيشبيني و جذر ميانگين مربعات خطا براي مدل1 با داده هاي تكراري به ترتيب 0/9012، 0/915، 0/848 و 0/1012 و براي مدل 2 با داده هاي تكراري به ترتيب 0/9572، 0/978، 0/963 و 0/0385 مي باشد.
نتيجه گيري: نتايج حاصل نشان مي دهد توافق خوبي بين داده هاي اصلي و داده هاي پيشبيني شده توسط مدل ها وجود دارد و مدل هاي ارايه شده در پيش بيني آلودگي هوا از قابليت بالايي برخوردارند.
چكيده لاتين :
Background and Objective: Nowadays, air pollution is one of the most important problems almost all over the world. There are many strategies to control and reduce air pollution, one of which is prediction of this event and getting ready to deal with the negative effects of it. The aim of this study is to provide a multi-layer structure of artificial neural networks (ANN) for predicting of carbon monoxide pollution at subsequent 24 hours in Tehran metropolis.
Method: To predict the amount of CO emissions in near future (subsequent 24 hours), wind speed and direction, temperature, relative humidity, and barometric pressure characteristics are used as meteorological data, and concentration of carbon monoxide is considered as a pollution parameter. To eliminate the noise of data, wavelets transform method and determining the threshold with normal distribution are used before training the ANN. Finally, two neural networks as two general models are proposed and used for modelling.
Findings: The results show that the correlation coefficient, index of agreement, accuracy of prediction, and root mean square error for model no. 1 with duplicate data are 0.9012, 0.915, 0.848, and 0.1012 and for model no. 2 with duplicate data are 0.9572, 0.978, 0.963, and 0.0385 respectively. Moreover, the results of listed parameters for model no. 1 with new data are 0.9086, 0.89, 0.885, and 0.0825 and for model No. 2 with new data are 0.8678, 0.928, 0.932, and 0.1163 respectively.
Conclusion: Results showed that there is a good agreement between predicted and observed values, hence the proposed models have a high potential for air pollution prediction.
