|
عنوان
|
بهینه سازی متغیرهای هواشناسی به منظور پیش بینی غلظت الاینده های هوا به منظور کاهش هزینه و زمان محاسبات در مدل شبکه عصبی مصنوعی
|
|
نوع پژوهش
|
مقاله چاپ‌شده در مجلات علمی
|
|
کلیدواژه‌ها
|
آزمون هم خطی پیش بینی تکنیک انتخاب پیشرو شبکه عصبی پرسپترون چندلایه کرمانشاه
|
|
چکیده
|
شهر کرمانشاه به دلیل وجود صنایع، ترافیک و توفان های گرد و غبار یکی از شهرهای آلوده کشور است. در این پژوهش پنج آلاینده PM10، CO، O3، NO2، SO2 با استفاده از شبکه عصبی پرسپترون چند لایه برای دو بازه ی زمانی امروز و فردا پیش بینی شدند. داده های مستقل شامل هفت کمیت هواشناسی دما، رطوبت نسبی، میزان دید، سرعت باد، نقطه شبنم، فشار، و بارش است. آزمون هم خطی و تکنیک انتخاب پیشرو برای حذف متغیر های ورودی اضافی و ایجاد زیر مجموعه ای از متغیرهای اثر گذار در پیش بینی استفاده شد. مدل بهینه با استفاده از شاخص هایRMSE , ,NMSE IOA, R2 و FB برای هر آلاینده انتخاب گردید. نتایج نشان می دهد که مدل 2 با تعداد 6 کمیت مستقل برای پیش بینی غلظت آلاینده منوکسید کربن و دی اکسید نیتروژن مدلی بهینه است و برای پیش بینی آلاینده ازن مدل 5 با تعداد 3 کمیت ورودی مدل مطلوبی می باشد همچنین برای پیش بینی دی اکسید گوگرد مدل 6 با دو متغیر ورودی و برای پیش بینی ذرات معلق (PM10) مدل 4 با 4 متغیر ورودی مناسبترین مدل بوده اند. نتایج این پژوهش نشان می دهد که استفاده از تکنیک انتخاب پیشرو برای بهینه سازی تعداد متغیرها سبب افزایش دقت و کاهش هزینه های پیش بینی خواهد شد.
|
|
پژوهشگران
|
محمد دارند (نفر سوم)، افسانه قاسمی (نفر اول)، جمیل امان اللهی (نفر دوم)
|