CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

ارائه مدلی ترکیبی به منظور پیشبینی غلظت آلاینده ذرات معلق: مطالعه موردی شهر مشهد

اعتبار موردنیاز: ۱ | تعداد صفحات: ۷ | تعداد نمایش خلاصه: ۱۰۳ | نظرات: ۰
سال انتشار: ۱۳۹۵
کد COI مقاله: ICISE02_047
زبان مقاله: فارسی
حجم فایل: ۵۵۱.۱۵ کلیوبایت (فایل این مقاله در ۷ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید. در پایگاه سیویلیکا عموما مقالات زیر ۵ صفحه فولتکست محسوب نمی شوند و برای خرید اینترنتی عرضه نمی شوند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۷ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳۰,۰۰۰ ریال

آدرس ایمیل خود را در زیر وارد نموده و کلید خرید با پرداخت اینترنتی را بزنید. آدرس ایمیل:

رفتن به مرحله بعد:

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد.

مشخصات نویسندگان مقاله ارائه مدلی ترکیبی به منظور پیشبینی غلظت آلاینده ذرات معلق: مطالعه موردی شهر مشهد

  یاسمن سادات سعد آبادی - دانشجوی کارشناسی ارشد، گروه مهندسی صنایع، دانشگاه فردوسی مشهد؛
  مجید سالاری (شناسه پژوهشگر - Researcher ID: ۲۳۳)
استادیار، گروه مهندسی صنایع، دانشگاه فردوسی مشهد؛
رضا اسماعیلی - استادیار، مسئول مرکز پایش آلاینده های زیست محیطی مشهد؛

چکیده مقاله:

امروزه آلودگی هوا به یکی از جدیترین معضلات زیست محیطی تبدیل شده است. به همین منظور نقش پیشبینی در خصوص برنامه ریزی به منظور کاهش آلودگی یا اطلاع رسانی به مردم، حائز اهمیت است. لذا این مطالعه با هدف تدوین الگویی جهت پیشبینی میانگین روزانه غلظت ذرات معلق کوچکتر از 2.5 میکرومتر برای یک روز جلوتر ارائه میگردد. در این مطالعه به منظور پیشبینی و مدلسازی آلاینده از مدلی ترکیبی شامل تبدیل موجک و شبکه عصبی پرسپترون چند لایه استفاده میگردد. در این راستا به منظور بهبود عملکرد پیشبینی از پارامترهای ورودی مناسبی که بالاترین کیفیت مدلسازی و پیشبینی را حاصل کنند، استفاده گردید. نتایج عددی برای پیشبینی غلظت روزانه آلاینده مورد نظر در شهر مشهد ارائه شده است. نتایج محاسباتی صحت قابل قبولی را بر حسب تمام معیارهای کیفیت مورد بررسی نشان میدهد .

کلیدواژه‌ها:

پیشبینی، شبکه های عصبی، تبدیل موجک، ذرات معلق.

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
http://www.civilica.com/Paper-ICISE02-ICISE02_047.html
کد COI مقاله: ICISE02_047

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
سادات سعد آبادی, یاسمن؛ مجید سالاری و رضا اسماعیلی، ۱۳۹۵، ارائه مدلی ترکیبی به منظور پیشبینی غلظت آلاینده ذرات معلق: مطالعه موردی شهر مشهد، دومین کنفرانس بین المللی مهندسی صنایع و سیستم­ها (ICISE 2016)، بصورت الکترونیکی، گروه مهندسی صنایع دانشگاه فردوسی، http://www.civilica.com/Paper-ICISE02-ICISE02_047.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (سادات سعد آبادی, یاسمن؛ مجید سالاری و رضا اسماعیلی، ۱۳۹۵)
برای بار دوم به بعد: (سادات سعد آبادی؛ سالاری و اسماعیلی، ۱۳۹۵)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • Molina, M.J., Molina, L.T., "Megacities and atmospheric pollution", AirWaste Manag ...
  • Kolehmainen, M., Martikainen, H., Ruuskanen, J., [2] :Neural networks and ...
  • Feng, X., Li, Q., Zhu, Y, Hou, J., Jin, L., ...
  • Environment, No. 43, pp. 5588-5596, 2009. ...
  • Paschalidou, A.K., Karakitsios, S., Kleanthous, S., [5] Kassomenos, P.A., "Forecasting ...
  • Genc, D.D., Yesilyurt, C., Tuncel, G., "Air pollution forecasting in ...
  • Environment, No. 40, pp. 2845-2851, 2006. ...
  • Arhami, M., Kamali, N., Rajabi, M.M., "Predicting [9] hourly air ...
  • novel [10] Aء Wang, P., Liu, Y., Qin, Z., Zhang, ...
  • Dutot, A.L, Rynkiewicz, J., Steiner, F.E., Rude, J., [11] _ ...
  • Brunelli, U., Piazza, V., Pignato, L, , Sorbello, F., [12] ...
  • Boznar, M., Lesjak, M., Mlakar, P., "A neural [13] network-based ...
  • Perez, P., Reyes, J., "Prediction of maximum of 24-h [14] ...
  • Jiang, D., Zhang, Y., Hu, X., Zeng, Y., Tan, J., ...
  • Lu, H.C., Hsieh, J.C.. Chang, T.S., "Prediction of [16] daily ...
  • Diaz-Robles, L.A., Ortega, J.C., Fu, J.S., Reed, G.D., [17] Chow, ...
  • Siwek, K., Osowski, S., "Improving the accuracy of [18] prediction ...
  • Haykin, S.; Neural Networks: _ Comprehensive [19] Foundation, 2 Edition ...
  • Misiti, M., Misiti, Y., Oppenheim, G., Poggi, M.; [20] Wavelet ...
  • Artificial Neural Networks (ANN) ...
  • Suppport Vector Machine (SVM) ...
  • Multilayer Perceptron (MLP) ...
  • Self Organizing Map (SOM) ...
  • Autoregressive integrated moving average (ARIMA) 7 Wavelet Trans formation ...
  • Weather.uwyo , _ du/upp erair/sound ing. html 9 RAwinsonde Observation ...
  • Mean Absolut Error (MAE) ...
  • Mean square error (MSE) ...
  • Root Mean Square Error (RMSE) 13 Correlation Cofficient ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز:
    تعداد مقالات: ۲۶۹۲۲
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.