[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 10، شماره 3 - ( 12-1399 ) ::
دوره 10 شماره 3 صفحات 13-26 برگشت به فهرست نسخه ها
پیش‌بینی مکانی-زمانی غلظت آلاینده‌ی PM2.5 با استفاده از شبکه‌های بازگشتی عمیق: مطالعه موردی شهر تهران
مرجان فرجی، سعید نادی*، داود شجاعی
چکیده:   (212 مشاهده)
در سال‌های اخیر آلودگی هوا به یکی از چالش‌های مهم زیست‌محیطی در شهرهای بزرگ و صنعتی به ویژه شهر تهران تبدیل‌شده است. غلظت بالای ذرات معلق با قطر کمتر از 2/5 میکرومتر (PM2.5) که به عنوان اصلی‌ترین عامل آلودگی شهر تهران شناخته شده است، با تأثیرات جبران ناپذیری بر سلامتی انسان همراه است. ارائه مدل مکانی-زمانی با دقت و سرعت بالا برای پیش‌بینی به عنوان یک روش موثر برای حفاظت از سلامت عمومی در برابر افزایش آلاینده‌های مضر هوا می‌باشد. رشد سریع فن‌آوری‌های محاسباتی و در دسترس بودن داده‌های مربوط به کیفیت هوا این فرصت را برای محققان فراهم کرده است تا مدل‌های پیچیده‌ای را در چارچوب یادگیری ماشین و یادگیری عمیق برای پیش‌بینی غلظت آلاینده‌های مختلف هوا ارائه دهند. در این پژوهش با هدف پیش‌بینی غلظت PM2.5 در فواصل زمانی مختلف، یک مدل ترکیبی مکانی-زمانی جدید مبتنی بر واحد گیت دار بازگشتی (GRU) با حفظ و استخراج وابستگی‌های زمانی و مکانی در داده‌های سری زمانی آلودگی هوا ارائه شده است و عملکرد آن با روش‌های رگرسیون ماشین بردار پشتیبان (SVR) و حافظه‌ی بلندمدت ماندگار (LSTM) مقایسه شده است. داده‌های مورد استفاده در این پژوهش شامل غلظت ساعتی آلاینده‌ی PM2.5 و پارامترهای هواشناسی ثبت‌شده به ترتیب توسط 13 ایستگاه سنجش آلودگی و 3 ایستگاه هواشناسی سینوپتیک در شهر تهران در بازه‌ی زمانی 17 آذر 1395 تا 8 اسفند 1397 می‌باشد. مدل ارائه شده در این مقاله با شاخص‌های ارزیابی RMSE = 7.97 μg/m3 و  MAE = 5.35 μg/m3 بهترین نتیجه را برای پیش‌بینی آلودگی در مقایسه با روش‌های دیگر کسب کرده است. این مدل می‌تواند 80 درصد (80 = R2) از تغییرات غلظت PM2.5 را تعیین و سطح آلودگی را پیش‌بینی کند. همچنین مدل پیشنهادی با استخراج ویژگی‌های زمانی، پیش‌بینی هم‌زمان برای تمام ایستگاه‌ها و در نظر گرفتن همبستگی‌های مکانی اثبات کرده است که می‌تواند برای پیش‌بینی و کنترل آلودگی هوا به طور مؤثر به کار گرفته شود.
واژه‌های کلیدی: آلودگی هوا، یادگیری عمیق، پیش‌بینی مکانی-زمانی، آلاینده PM2.5، یادگیری ماشین
متن کامل [PDF 1663 kb]   (60 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سامانه های اطلاعات مکانی
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Faraji M, Nadi S, Shojaei D. Spatial-Temporal Prediction of PM2.5 Pollutants Using Deep Recurrent Networks: A Case Study of Tehran. JGST. 2021; 10 (3) :13-26
URL: http://jgst.issge.ir/article-1-966-fa.html

فرجی مرجان، نادی سعید، شجاعی داود. پیش‌بینی مکانی-زمانی غلظت آلاینده‌ی PM2.5 با استفاده از شبکه‌های بازگشتی عمیق: مطالعه موردی شهر تهران. نشریه علمی پژوهشی علوم و فنون نقشه برداری. 1399; 10 (3) :13-26

URL: http://jgst.issge.ir/article-1-966-fa.html



دوره 10، شماره 3 - ( 12-1399 ) برگشت به فهرست نسخه ها
نشریه علمی علوم و فنون نقشه برداری Journal of Geomatics Science and Technology