جستجوی مقالات مرتبط با کلیدواژه

migration-based genetic algorithm

در نشریات گروه عمران

تکرار جستجوی کلیدواژه migration-based genetic algorithm در نشریات گروه فنی و مهندسی

تکرار جستجوی کلیدواژه migration-based genetic algorithm در مقالات مجلات علمی

انتخاب همه

تخمین مکانی و زمانی غلظت PM2.5 با استفاده از داده های عمق اپتیکی هواویز و هواشناسی بر مبنای الگوریتم های یادگیری ماشین و بهینه سازی (مطالعه موردی: شهر تهران)

امین غلامی، یاسر ابراهیمیان قاجاری*

نشریه علوم و فنون نقشه برداری، سال دوازدهم شماره 2 (پیاپی 46، پاییز 1401)، صص 136 -151

امروزه با قرارگیری ایستگاه های زمینی سنجش آلودگی هوای غلظت PM2.5 در مکان های مختلفی از شهر ، میزان غلظت با دقت بالایی اندازه گیری می شوند اما ایراد اصلی که بر این ایستگاه های زمینی گرفته می شود، محدود بودن این ایستگاه ها و پراکندگی محدود آنهاست در نتیجه امکان برآورد غلظت در یک منطقه وسیع را در اختیار نمی گذارد از این رو در این تحقیق از داده های MODIS نظیر عمق اپتیکی هواویز اخذ شده از تصاویر ماهواره ای NASA و همچنین از داده های هواشناسی در سال های 1396 تا 1399 استفاده شده است .در مطالعه حاضر ما ابتدا از الگوریتم های یادگیری ماشین نظیر درخت تصمیم گیری، رگرسیون خطی چندگانه و پرسپترون چند لایه با استفاده از آموزش داده های AOD و هواشناسی استفاده کردیم، نتایج نشان داد که برای این داده ها خطای روش ها به صورت MLP<dc<mlr بوده درنتیجه بهترین دقت ، روش MLP بوده است (RMSE=11.46 و R2=0.67) همچنین برای بهبود دقت از الگوریتم های بهینه سازی نظیر روش بهینه سازی ازدحام ذرات، الگوریتم ژنتیک و الگوریتم ژنتیک مبتنی بر مهاجرت استفاده شده است، الگوریتم هایGA و الگوریتم MBGA دقت مطلوبی دادند که الگوریتمMBGA توانست خطا را بهینه کند مدل برآورد PM2.5 با استفاده از روش MBGA+MLP توانست غلظت PM2.5 را با دقت بالا(RMSE=1.71 و R2=0.99) برآورد کند. این تحقیق یک الگوریتم پیشنهادی (MBGAMLP) برای تخمین غلظت ارایه می دهد که سازمان های دولتی می توانند در اجرای سیاست های حفاظت از محیط زیست استفاده کنند.</dc<mlr

کلید واژگان: آلودگی هوا، تهران، الگوریتم ژنتیک مبتنی بر مهاجرت، AOD، PM2.5

چکیده مشاهده متن مطالعه موردی زبان: فارسی

Spatiotemporal Estimation of PM2.5 Concentration Using Remotely Sensed Data, Machine Learning, and Optimization Algorithms

Amin Gholami, Yasser Ebrahimian Ghajari*

Journal of Geomatics Science and Technology, Volume:12 Issue: 2, 2023, PP 136 -151

PM 2.5 (particles <2.5 μm in aerodynamic diameter) can be measured by ground station data in urban areas, but the number of these stations and their geographical coverage is limited. Therefore, these data are not adequate for calculating concentrations of Pm2.5 over a large urban area. This study aims to use Aerosol Optical Depth (AOD) satellite images and meteorological data from 2014 to 2017 for spatial distribution simulation of PM 2.5 concentrations over the mega-city of Tehran. The Multilayer Perceptron (MLP), Multiple Linear Regression (MLR), and Decision Tree (DT) models were used to estimate the concentrations of PM 2.5. The results showed that MLP with a root mean square error (RMSE) of 11.46 and R2 coefficient of 0.67 outperformed the MLR and DT models. However, the best model had low prediction accuracy. So, three optimization algorithms, namely, particle swarm optimization (PSO), Genetic Algorithm (GA), and Migration-Based Genetic Algorithm (MBGA) were used to improve the accuracy of the models. The use of GA and MBGA algorithms improved the accuracy of the models significantly and led to the RMSE of 1.71 and R2 of 0.99 for the hybrid model of MBGA-MLP. The proposed hybrid models in this paper can be used to estimate the PM2.5 concentrations.

Keywords: Air Pollution, Aerosol Optical Depth, Multilayer Perceptron, Migration-Based Genetic Algorithm, PM 2.5, Tehran

Abstract View Paper Case Study Original: Persian

نکته

نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.

به جمع مشترکان مگیران بپیوندید!

migration-based genetic algorithm