مدل‌سازی و پیش‌بینی غلظت PM₁₀ در شهر اهواز با بهره‌گیری از رویکرد تلفیقی تحلیل آماری و یادگیری عمیق

بساک, عاطفه; حجازی زاده, زهرا; حیدری تاشه کبود, اکبر

دوره 25، شماره 79 - ( 10-1404 ) جلد 25 شماره 79 صفحات 0دوره0فصل__Se | برگشت به فهرست نسخه ها

Mendeley

Zotero

RefWorks

Bosak A, Hejazizadeh Z, Heydari Tashekaboud A. (2025). Modeling and Prediction of PM₁₀ Concentrations in Ahvaz Using a Hybrid Statistical and Deep Learning Approach. jgs. 25(79),
URL: http://jgs.khu.ac.ir/article-1-4357-fa.html

بساک عاطفه، حجازی زاده زهرا، حیدری تاشه کبود اکبر. مدل‌سازی و پیش‌بینی غلظت PM₁₀ در شهر اهواز با بهره‌گیری از رویکرد تلفیقی تحلیل آماری و یادگیری عمیق تحقیقات کاربردی علوم جغرافیایی 1404; 25 (79)

URL: http://jgs.khu.ac.ir/article-1-4357-fa.html

مدل‌سازی و پیش‌بینی غلظت PM₁₀ در شهر اهواز با بهره‌گیری از رویکرد تلفیقی تحلیل آماری و یادگیری عمیق

عاطفه بساک^*¹

، زهرا حجازی زاده²

، اکبر حیدری تاشه کبود³

1- گروه جغرافیا طبیعی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی تهران، تهران، ایران، bosak.a.69@gmail.com ، bosak.a.69@gmail.com
2- گروه جغرافیا طبیعی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی تهران، تهران، ایران، hedjazizadeh@yahoo.com
3- گروه هوش مصنوعی و شهرهای هوشمند دانشگاه ژائو ژنگ، چین و گروه جغرافیا و برنامه‌ریزی شهری، دانشگاه فردوسی مشهد، ایران .، Heydariakbar@gmail.com

چکیده: (2941 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، ازشبکه 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.

کلیه حقوق این وبگاه متعلق به تحقیقات کاربردی علوم جغرافیایی است.

طراحی و برنامه نویسی : یکتاوب افزار شرق

Designed & Developed by : Yektaweb

This work is licensed under a Creative Commons — Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)

پایگاه‌های مرتبط

نظرسنجی