پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,502 |
| تعداد مشاهده مقاله | 124,117,620 |
| تعداد دریافت فایل اصل مقاله | 97,223,202 |
مقایسة دو روش مدل‌سازی با استفاده از شبکة عصبی- فازی در پیش بینی غلظت آلایندة مونوکسید کربن | ||
| محیط شناسی | ||
| مقاله 4، دوره 38، شماره 4، اسفند 1391 اصل مقاله (872.25 K) | ||
| شناسه دیجیتال (DOI): 10.22059/jes.2013.29861 | ||
| نویسندگان | ||
| الهه خزاعی1؛ علی اصغر آل شیخ2؛ محمد کریمی3؛ محمد حسن وحیدنیا4 | ||
| 1دانشجوی کارشناسی ارشد GIS، دانشکده مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی | ||
| 2دانشیار، دانشکدة مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی | ||
| 3استادیار، دانشکدة مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی | ||
| 4دانشجوی دکترای GIS، دانشکده مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی | ||
| چکیده | ||
| پایش و پیش‌بینی مشخصه‌های کیفیت هوا در مناطق شهری یکی از چالش‌های محیط زیست انسانی محسوب می‌شود. این مهم وابسته به عوامل متعددی مانند توپوگرافی، اقلیم، جمعیت و شبکة حمل و نقل است که نحوة تعامل این عوامل مکانی به عنوان پدیده‌‌ای دینامیک، غیر خطی و دارای ابهام عنوان شده است. در این تحقیق به منظور پیش بینی و مدل‌سازی میزان آلاینده مونوکسیدکربن از شبکة عصبی- فازی و GIS در قالب دو مدل متفاوت استفاده شده است. در مدل اول داده‌های آموزشی با استفاده از روش کریجینگ ایجاد و برای هر ایستگاه ناحیه‌ای در نظر گرفته شد که از داده‌های موجود در آن ناحیه، برای آموزش آن استفاده شد. برای هر ناحیه قانون‌های فازی استخراج شده و به هر پیکسل آن ناحیه اعمال و میزان آلاینده تخمین زده شد. در مدل دوم هر ایستگاه به طور جداگانه با استفاده از داده‌های خود آموزش داده شد. برای هر ایستگاه قانون‌های فازی آن استخراج شده و غلظت آلاینده تخمین زده شد. به علت این‌که پیش‌بینی در ایستگاهها صورت می‌گیرد، در نهایت برای مدل‌سازی مکانی غلظت در محدوده مورد مطالعه از روش کریجینگ استفاده شده است. برای انجام تست عملی این تحقیق، از داده‌های هواشناسی ایستگاههای واقع در سطح شهر تهران استفاده شد. میانگین RMSE مجموعه ایستگاهها در مدل اول با قانون‌های سوگنو،613/1 ppm و با قانون‌های ممدانی، 484/1 ppm و در مدل دوم با قانون‌های سوگنو، 445/1 ppm و با قانون‌های ممدانی، 374/1 ppm به دست آمد. نتایج حاکی از آن است که هر دو مدل به خوبی میزان آلاینده را پیش‌بینی می‌کنند. | ||
| کلیدواژه‌ها | ||
| آلودگی هوا؛ سیستم استنتاج فازی ممدانی؛ سیستم اطلاعات مکانی؛ شبکة عصبی- فازی؛ کریجینگ | ||
| عنوان مقاله [English] | ||
| Comparison of Two Modeling Methods for the Prediction of Carbon Monoxide Concentration Using Neuro-Fuzzy System | ||
| نویسندگان [English] | ||
| Elahe Khazaei1؛ Aliasghar Alesheikh2؛ Mohammad Karimi3؛ Mohammad Hasan Vahidnia4 | ||
| چکیده [English] | ||
| Monitoring and forecasting of air quality Parameters in urban areas is considered as one of the challenges of the human environment. It depends on several factors such as topography, climate, population and transport network which the interaction of these spatial factors has been as a dynamic phenomenon, non-linear and ambiguous. In this study, two models suggested to predict and modeling concentrations of carbon monoxide (CO) pollutant using neuro-fuzzy system and GIS. In the first model the training data which is created by Kriging. An area was considered for each station and the data in that area was used for training. Fuzzy rules were extracted for each area and applied to each pixel of the region for the concentration estimation of the pollutant. In the second model, each station is trained with its own data separately. Fuzzy were extracted for each station and pollutant concentration was estimated as well. Having concentration predictions at station points, Kriging was used to model the spatial concentration. The data gathered from different meteorological stations in Tehran is used to train the neural network. In the first model, average RMSE of all stations for ANFIS is 1.613 ppm and for M-ANFIS is 1.484 ppm and in the second model average RMSE of all stations for ANFIS is 1.445 ppm and for M-ANFIS is 1.374 ppm. The results showed that both models have a good capability of concentration prediction of the pollutant. | ||
| کلیدواژه‌ها [English] | ||
| Air pollution, GIS, Kriging, Mamdani fuzzy inference system, Neuro-fuzzy system | ||
|
آمار تعداد مشاهده مقاله: 4,614 تعداد دریافت فایل اصل مقاله: 2,490 |
||