مقالات آماده انتشار(موقت)
برگشت به فهرست مقالات |
برگشت به فهرست نسخه ها
1- گروه جغرافیا طبیعی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی تهران، تهران، ایران ، bosak.a.69@gmail.com
2- گروه جغرافیا طبیعی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی تهران، تهران، ایران
3- گروه هوش مصنوعی و شهرهای هوشمند دانشگاه ژائو ژنگ، چین و گروه جغرافیا و برنامه‌ریزی شهری، دانشگاه فردوسی مشهد، ایران .
2- گروه جغرافیا طبیعی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی تهران، تهران، ایران
3- گروه هوش مصنوعی و شهرهای هوشمند دانشگاه ژائو ژنگ، چین و گروه جغرافیا و برنامه‌ریزی شهری، دانشگاه فردوسی مشهد، ایران .
چکیده: (505 مشاهده)
این پژوهش با هدف ارزیابی ارتباط میان پارامترهای هواشناسی و غلظت ذرات معلق PM10 و پیش‌بینی میزان این آلاینده در شهر اهواز انجام‌شده است. داده‌های روزانه‌ی پارامترهای هواشناسی (دما، سرعت باد، جهت باد، دید افقی، بارش و رطوبت نسبی) و غلظت PM10 در بازه زمانی 1390 تا 1402 از سازمان هواشناسی و اداره کل محیط‌زیست خوزستان گردآوری شد. پس از پیش‌پردازش داده‌ها، از آزمون کلموگروف-اسمیرنوف برای بررسی نرمال بودن توزیع آن‌ها استفاده شد. با توجه به عدم نرمال بودن داده‌ها، از ضرایب همبستگی اسپیرمن و تاوی بی کندال برای ارزیابی ارتباط میان متغیرها بهره گرفته شد. تحلیل‌های آماری و مدل‌سازی با استفاده از نرم‌افزار SPSS و زبان برنامه‌نویسی پایتون در محیط اسپایدر انجام شد.
نتایج تحلیل همبستگی نشان داد که بین غلظت PM10 و برخی پارامترهای هواشناسی ارتباط معناداری وجود دارد. به‌طور خاص، همبستگی مثبت و معناداری بین PM10 و دما (0.284 و 0.187) و سرعت باد(0.094 و 0.061)، و همبستگی منفی و معناداری بین PM10 و دید افقی (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-) مشاهده شد.
در ادامه، برای پیش‌بینی غلظت PM10 از مدل شبکه عصبی مصنوعی چندلایه پرسپترون (MLP) استفاده شد. ساختار شبکه شامل یک لایه ورودی با شش نورون (مربوط به شش پارامتر هواشناسی)، سه لایه مخفی با ۱۶، ۳۲ و ۶۴ نورون و یک لایه خروجی بود. نتایج ارزیابی مدل نشان داد که شبکه عصبی MLP توانایی بالایی در پیش‌بینی غلظت PM10 دارد و خطای پیش‌بینی در مراحل آموزش، اعتبارسنجی و آزمون در سطح قابل قبولی قرار دارد.
نتایج تحلیل همبستگی نشان داد که بین غلظت PM10 و برخی پارامترهای هواشناسی ارتباط معناداری وجود دارد. به‌طور خاص، همبستگی مثبت و معناداری بین PM10 و دما (0.284 و 0.187) و سرعت باد(0.094 و 0.061)، و همبستگی منفی و معناداری بین PM10 و دید افقی (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-) مشاهده شد.
در ادامه، برای پیش‌بینی غلظت PM10 از مدل شبکه عصبی مصنوعی چندلایه پرسپترون (MLP) استفاده شد. ساختار شبکه شامل یک لایه ورودی با شش نورون (مربوط به شش پارامتر هواشناسی)، سه لایه مخفی با ۱۶، ۳۲ و ۶۴ نورون و یک لایه خروجی بود. نتایج ارزیابی مدل نشان داد که شبکه عصبی MLP توانایی بالایی در پیش‌بینی غلظت PM10 دارد و خطای پیش‌بینی در مراحل آموزش، اعتبارسنجی و آزمون در سطح قابل قبولی قرار دارد.
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. |
CC BY
نشریه «تحقیقات کاربردی علوم جغرافیایی» به‌طور کامل الزامات انتشار دسترسی آزاد را طبق«CreativeCommons Attribution 4.0 International License (CC BY 4.0)» رعایت می‌کند.
