عنوان :
مدلسازي غلظت ذرات PM2.5 و PM10 با تلفيق روش بهينهسازي و هوش مصنوعي (مطالعه موردي: دشت يزد- اردكان)
عنوان به انگليسي :
Modeling PM2.5 and PM10 Particle Concentration by Combining Optimization and Artificial Intelligence (Case Study: Yazd-Ardakan Plain)
نويسنده اصلي :
دهقان منشادي زهرا dehghanmanshadi zahra
استاد راهنما :
بماني خرانق اكرم bemanikharanagh akram , موسوي وحيد moosavi vahid
استاد مشاور :
حيات زاده مهدي hayatzadeh mehdi , اردكاني طاهره ardakani tahereh
رشته تحصيلي :
علوم و مهندسي محيط زيست گرايش آلودگيهاي محيط زيست
دانشكده :
كشاورزي و منابع طبيعي
گروه :
علوم و مهندسي محيط زيست
كليدواژه فارسي :
مدل¬سازي، PM10 و PM2.5، بهينه¬سازي، هوش مصنوعي، دشت يزد_ اردكان.
كليدواژه لاتين :
Modeling, PM10- PM2.5, Optimization, Artificial Intelligence, Yazd-Ardakan plain.
چكيده :
مسئله اساسي در حل سيستماتيك مشكل گردوغبار نيازمند بررسي عامل¬هاي موثر در ايجاد گردوغبار، تكنيك دريافت اطلاعات و مدل¬سازي گردوغبار براي تشخيص و پيش¬بيني آن مي¬باشد. استفاده از علم سنجش از دور همراه با مدلسازي از طريق روشهاي هوش مصنوعي پيشرفت شگرفي در مطالعه و پيش¬بيني و مدلسازي روند تغييرات پديد¬ه¬هاي جوي از جمله ريزگردها داشته است. هدف اين مطالعه، مدل¬سازي غلظت ذرات PM10 و PM2.5 با تلفيق روش بهينهسازي و هوش مصنوعي و استفاده از تصاوير ماهواره¬اي سنجنده موديس دربازه¬ي زماني يك سال (1397-1396) در محدوده دشت يزد- اردكان در سه ايستگاه مطالعاتي اردكان، ميبد و يزد مي¬باشد. براي اين منظور، شاخص عمق بصري ذرات معلق (AOD) سنجنده موديس، پارامترهاي هواشناسي شامل سرعت باد، رطوبت و دما و همچنين داده¬هاي ايستگاه سنجش آلاينده¬ها جهت مدل¬سازي غلظت ذرات PM10 و PM2.5 بصورت ساعتي و روزانه با مدل SVRو SVR PSO-، استفاده شده است. در ادامه آناليز تحليل حساسيت جهت تعيين مهم¬ترين متغير موثر در فرآيند مدل¬سازي صورت پذيرفت. نتايج خروجي مدلSVR و SVR بهينه¬شده توسطPSO نشان داد كه مدل PSO-SVR در پيش¬بيني متغير غلظت PM10 و PM2.5 ايستگاه يزد در حالت ساعتي نسبت به مدل SVR داراي دقت بسيار نزديك بهم مي¬باشد. نتايج خروجي مدلSVR و SVR بهينه¬شده توسطPSO نشان داد كه مدل SVR در پيش¬بيني متغير غلظت PM2.5 ايستگاه ميبد در حالت ساعتي نسبت به مدلPSO-SVR داراي 02/0 بهبود عملكرد داشته است و در حالت روزانه هر دو نوع مدل داراي دقت¬هاي نزديك بهم بودند. نتايج خروجي مدلSVR و SVR بهينه¬شده توسطPSO نشان داد كه مدل PSO-SVR در پيش¬بيني متغير غلظت PM10 ايستگاه اردكان در حالت روزانه نسبت به مدل SVR داراي برتري يكساني مي باشند. بر اساس نتايج اين بررسي مشخص شد كه هردو مدلPSO-SVR و مدل SVR جزو روشهاي يادگيري ماشين بسيار كارآمد به منظور پيشبيني ميزان غلظت آلايندهها است و تفاوت قابل توجهي بين اين دو مدل در مدل¬سازي گردوغبار مشاهده نشد. نتايج حاصل از آزمون تحليل حساسيت نشان داد كه كه بيشترين عامل تاثيرگذار بر روي PM2.5 ايستگاه يزد عوامل AOD و CO و در مورد PM10، رطوبت و سرعت باد و تركيب NO بوده است. سرعت باد، رطوبت و AOD بيشترين تاثير را بر روي PM2.5 ميبد و سرعت، رطوبت و PM10 ايستگاه اردكان تاثيرگذارترين عوامل بر روي PM10 ايستگاه ميبد مي¬باشند. نتايح نشان داد كه ازن تروپوسفري (O3) عامل موثر بر روي PM10 ايستگاه اردكان مي¬باشد. با در نظر گرفتن نتايج اين مطالعه استفاده از مدل¬هاي جغرافيايي و مكاني براي مدلسازي و پيش¬بيني روند تغييرات پديده گردوغبار ميتواند گام مؤثري در شناسايي روند تغييرات، عوامل موثر بر ايجاد يا افزايش آن¬ها و همچنين ارائه اقدامات مديريتي در جهت مقابله با آن داشته باشد
چكيده انگليسي :
The fundamental issue in systematically solving the dust problem requires investigating the effective factors in the generation of dust, information acquisition techniques, and modeling of dust for its detection and prediction. The use of remote sensing science along with modeling through artificial intelligence methods has made significant progress in the study and prediction and modeling of climate change trends including aerosols. The goal of this study was, PM10 and PM2.5 particle concentration modelling by combining optimization and artificial intelligence methods and using Modis satellite imagery at one-year time interval (2017-2018) in Yazd-Ardakan plain at three study stations including Ardakan, Maybod and Yazd city. For this purpose, the Aerosol Optical Depth Index (AOD) of the Modis sensor, meteorological parameters including wind speed, humidity and temperature, as well as pollutant sensing station data for modeling PM10 and PM2.5 concentrations hourly and daily using Optimized SVR and SVR models are used. Subsequently, sensitivity analysis was performed to determine the most important variable affecting the modeling process. The results of SVR and SVR model optimized by PSO showed that PSO-SVR model has a very close accuracy in predicting the variable concentration of PM10 and PM2.5 concentrations of Yazd station in hourly mode compared to SVR model.The outputs of SVR and SVR models optimized by PSO showed that PSO-SVR model predicts PM10 and PM2.5 concentration variations in hourly mode compared to the PSO SVR model with 0.02 performance and in the daily mode both types of models have The precision was close.The results of SVR and SVR model optimized by PSO showed that PSO-SVR model in predicting Ardakan station PM10 concentration on a daily basis compared to the SVR model. The results of this study showed that both PSO-SVR and SVR models are highly efficient machine learning methods to predict the concentration of pollutants and no significant differences were observed between the two models in dust modeling. The results of sensitivity analysis showed that the most influential factors on PM2.5 at Yazd station were AOD and CO compound and about PM10, moisture and wind speed and NO composition. Wind speed, humidity and AOD have the most impact on PM2.5 and about Ardakan station speed, humidity and pm10 are the most influential factors on PM10 Maybod station. Results showed that tropospheric ozone (O3) is an effective factor on pm10 at Ardakan station. Considering the results of this study, using geographical and spatial models to model and predict the trend of changes in dust phenomena can be an effective step in identifying the trends of changes, factors affecting their creation or enhancement, as well as providing management measures to counteract them. To have.
تاريخ دفاع :
4/23/2020 12:00:00 AM
واردكننده اطلاعات :
زهرا دهقان منشادي
