مدل سازی غلظت ساعتی مونوکسیدکربن با استفاده از رگرسیون مؤلفه های اصلی و شبکه عصبی بهینه شده با الگوریتم رقابت استعماری

Document Type: Research Paper

Authors

1 دانشجو

2 دانشیار دانشگاه یزد

3 استادیار دانشگاه یزد

Abstract

 مونوکسیدکربن یکی از عوامل عمده آلودگی هوای کلان‌شهر تهران است. هدف اصلی این تحقیق، شبیه‌سازی غلظت میانگین ساعتی مونوکسیدکربن در هوای شهر تهران با استفاده از دو مدل رگرسیون مؤلفه‌های اصلی و شبکه عصبی بهینه شده با الگوریتم رقابت استعماری است. از روش تحلیل مؤلفه‌های اصلی برای از بین بردن همبستگی بین متغیرهای ورودی و تفسیر بهتر نتایج مدل رگرسیونی استفاده شد. همچنین با استفاده از یک شبکه عصبی پس‌انتشار با یک لایه پنهان و استفاده از الگوریتم رقابت استعماری به عنوان الگوریتم آموزش نیز مدلی مناسب برای این امر ایجاد شد. برای شبیه‌سازی غلظت مونوکسیدکربن از داده‌های ساعتی سال‌های 1386 و 1387 ایستگاه تجریش واقع در شمال تهران استفاده شد. برای ارزیابی نتایج مدل‌های مذکور، ریشه میانگین مربعات خطا (RMSE)، میانگین مطلق خطا (MAE)، میانگین مربعات خطا (MSE) و ضریب همبستگی (R) در مدل شبکه عصبی برای مرحله آزمون به ترتیب 050/0 ، 0346/0 ، 0025/0 و 746/0 به‌دست آمده که در مقایسه با مدل رگرسیون مؤلفه‌های اصلی (0856/0RMSE=، 0619/0MAE=، 0075/0MSE= و 501/0R=) حاکی از برتری مطلق نتایج شبکه عصبی بهینه شده با الگوریتم رقابت استعماری نسبت به مدل رگرسیون مؤلفه‌های   اصلی است.  

- خزاعی، الهه، آل­ شیخ، علی­اصغر، کریمی، محمد، و وحیدنیا، محمدحسن.، (1391) "پیش­ بینی و مدل­سازی غلظت آلاینده مونوکسیدکربن با تلفیق شبکه عصبی – فازی تطبیقی و سیستم اطلاعات جغرافیایی"، مجله کاربرد سنجش از دور و GIS در علوم منابع طبیعی، 3، ص 21-35.

 - سبزی پرور، علی اکبر و علیائی، احسان.، (1390) "ارزیابی عملکرد شبکه عصبی مصنوعی در پیش ­بینی تابش خورشیدی کل روزانه و مقایسه آن با نتایج مدل آنگستروم (مطالعه موردی: ایستگاه همدیدی تبریز)"، مجله ژئوفیزیک ایران، 5، ص 30-41.

 - سیفی، اکرم، میرلطیفی، سید مجید، ریاحی، حسین.، (1389) "توسعه مدل ترکیبی رگرسیون چندگانه – تحلیل مولفه­ ها و عامل­ های در پیش­ بینی تبخیر- تعرق مرجع (مطالعه موردی: ایستگاه کرمان)"، مجله آب و خاک، 24، ص 1196-1186.

 - صفوی، سیدیحیی و علیخانی، بهلول.، (1385) "بررسی عوامل جغرافیایی در آلودگی هوای تهران. مجله پژوهش­های جغرافیایی"، 58، ص 99 – 112.

 - قربانی، محمدعلی نقی­ پور، لیلا، کریمی، وحید، و فرهودی، رضا.، (1392) "آنالیز حساسیت پارامترهای موثر بر غلظت ازن با استفاده از شبکه عصبی مصنوعی"، مجله سلامت و محیط، 6، ص 11-22.

 - نوری، روح­اله، اشرفی، خسرو و اژدرپور، ابوالفضل.، (1387) "مقایسه کاربرد روش­های شبکه عصبی مصنوعی و رگرسیون خطی چند متغیره براساس تحلیل مؤلفه­ های اصلی برای پیش­ بینی غلظت میانگین روزانه کربن­ مونوکسید: بررسی موردی شهر تهران"، مجله فیزیک زمین و فضا، 34، ص 135-152.

 - نوری، روح­اله، هشیاری پور، غلامعلی، اشرفی، خسرو و راستی، عمران.، (1392) "ارایه مدلی مناسب با استفاده از ماشین بردار پشتیبان برای پیش ­بینی غلظت روزانه مونوکسیدکربن در هوای تهران"، مجله سلامت و محیط، 6، ص 1-10.

 

- Abdul-Wahab, S.A., Bakheit, C.S. Al-Alawi, S.M., (2005) "Principal component and multiple regression analysis in modelling of ground-level ozone and factors affecting its concentrations", Environmental Modelling & Software. J. Int., 20, pp 1263-1271.

- Atashpaz Gargari, E., and Lucas, C., (2007) "Imperialist Competitive Algorithm: An algorithm for optimization inspired by imperialistic competition", IEEE Congress on Evolutionary Computation, Singapore, pp 4661–4667.

- Cai, M., Yin, Y. and Xie, M., (2009) "Prediction of hourly air pollutant concentrations near urban arterials using artificial neural networks", Transportation research. J. Int., 14. pp 32-41.

- Camdevyren, H., Demyr, N. Kanik, A. and Keskyn, S., (2005) "Use of principal component scores in multiple linear regression models for prediction of Chlorophyll a in reservoirs", Ecological Modelling. J. Int., 181, pp 581-589.

- Chai, Y., Jia, L. and Zhang, Z., (2009) "Mamdani model based adaptive neural fuzzy inference system and its application in traffic level of service evaluation". Computational Intelligence. J, 5, pp 22-29.

- Chatterjee, S., and Hadi, A.S., (2006) "Regression analysis by example, Wiley & Sons. 5nd Edition", New York.

-Fausett, L., (1994) "Fundamentals of neural networks architectures, algorithms and applications, Prentice Hall", Englewood Cliffs, NJ USA.

- Feng, Y., Zhang, W. Sun, D. and Zhang, L., (2011) "Ozone concentration forecast method based on genetic algorithm optimized back propagation neural networks and support vector machine data classification", Atmospheric Environment. J, 45. Pp 1979-1985.

-Jolliffe, I.T., (2002) "Principal component analysis, 2nd Edition". Springer, New York.

-Kumar, A., and Goyal, P., (2013) "Forecasting of air quality index in delhi using neural network based on principal component analysis", Pure Appl. Geophys. J, 170, pp 711–722.

-Li, Li., Qian, J. Ou, C.Q.  Zhou, Y.X. Guo, C. and Guo, Y., (2014) "Spatial and temporal analysis of Air Pollution Index and its timescale-dependent relationship with meteorological factors in Guangzhou", China, 2001-2011, Environmental Pollution. J, 190, pp 75-81.

-Moustris, K.P., Nastos, P.T. Larissi, I.K. and Paliatosos, A.G., (2012) "Application of multiple linear regression models and artificial neural networks on the surface ozone forecast in the greater athens area, Greece", Advances in Meteorology. J, 2012, pp 1-8.

 -Nagendra, S. M. S., and Khare, M., (2004) "Artificial neural network based line source models for vehicular exhaust emission predictions of an urban roadway". Transport Environ. J, 9, pp 199-208.

-Nejadkoorki, F., and Baroutian, S., (2012) "Foreecasting extreme PM10 concentrations using artificial neural networks", environmental research. J. Int, 6, pp 277-284.

-Rahimikhoob, A., (2010) "Estimating global solar radiation using artificial neural network and air temperature data in a semi-arid environment", Renewable Energy. J, 35, pp 2131–2135.

-Rawlings, O., John-Pantula, G.S. and Dickey, A.D., (1998) "Applied regression analysis 2th ed", Springer, Carolina.

-Russo, A., Raischel, F. Lind, P.G., (2013) "Air quality prediction using optimal neural networks with stochastic variables", Atmospheric Environment. J. Int, 79, pp 822-830.

-Skrzypski, J., and Szakiel, E.J., (2008) "Neural network prediction models as a tool for air quality management in cities", Environment Protection Engineering. J, 34, pp 129-137.

-Voukantsis, D., Karatzas, K. Kukkonen, J. Rasanen, T. Karppinen, A. and Kolehmainen, M., (2001) "Intercomparison of air quality data using principal component analysis, and forecasting of PM10 and PM2.5 concentrations using artificial neural networks", in Thessaloniki and Helsinki, Science of the Total Environment. J, 409,             pp 1266–1276.

-Yadav, D., and Veena, S.N., (2010) "Artificial neural network based hydro electric generation modelling", Applied Enginearing Reaserch. J. Int, 1, pp 343-359.

-Zhang, Y., Bocquet, M. Mallet, V. Seigneur, C. and Baklanov, A., (2012) "Real-time air quality forecasting, part I: History, techniques, and current status", Atmospheric Environment. J. Int., 60.  pp 1-24.