Forecasting Extreme PM10 Concentrat

Forecasting Extreme PM10 Concentrations Using Artificial Neural Networks
Nejadkoorki, F.1*and Baroutian, S.2
Life style and life expectancy of inhabitants have been affected by the increase of particulate
matter 10 micrometers or less in diameter (PM10) in cities and this is why maximum PM10 concentrations have
received extensive attention. An early notice system for PM10 concentrations necessitates an accurate forecasting
of the pollutant. In the current study an Artificial Neural Network was used to estimate maximum PM10
concentrations 24-h ahead in Tehran. Meteorological and gaseous pollutants from different air quality monitoring
stations and meteorological sites were input into the model. Feed-forward back propagation neural network
was applied with the hyperbolic tangent sigmoid activation function and the Levenberg–Marquardt optimization
method. Results revealed that forecasting PM10 in all sites appeared to be promising with an index of agreement
of up to 0.83. It was also demonstrated that Artificial Neural Networks can prioritize and rank the performance
of individual monitoring sites in the air quality monitoring network.

ผลลัพธ์ (ไทย) 1:

ความเข้มข้น PM10 มากคาดการณ์ที่ใช้เครือข่ายประสาทเทียมNejadkoorki, F.1*and Baroutian, S.2วิถีชีวิตและอายุขัยของประชากรได้รับผลกระทบจากการเพิ่มขึ้นของฝุ่นเรื่องคัลไมโครมิเตอร์แบบ 10 หรือน้อยเส้นผ่านศูนย์กลาง (PM10) ในเมืองและนี้คือเหตุผลที่มีความเข้มข้นสูงสุดของ PM10ได้รับความสนใจอย่างกว้างขวาง ระบบประกาศช่วงความเข้มข้น PM10 necessitates คาดการณ์ถูกต้องของมลพิษ ในการศึกษาปัจจุบัน มีโครงข่ายประสาทเทียมถูกใช้เพื่อประเมินค่า PM10 สูงสุดความเข้มข้น 24 h ข้างหน้าในเตหราน สารมลพิษที่เป็นต้น และอุตุนิยมวิทยาจากการตรวจสอบคุณภาพอากาศแตกต่างกันสถานีและไซต์อุตุนิยมวิทยาถูกป้อนข้อมูลลงในแบบ เครือข่ายประสาทกลับมาดึงข้อมูลไปเผยแพร่ใช้ฟังก์ชันไฮเพอร์โบลิสัมผัส sigmoid เปิดใช้งานและเพิ่มประสิทธิภาพของ Levenberg – Marquardtวิธีการ ผลเปิดเผยว่า คาดการณ์ PM10 ในไซต์ทั้งหมดที่ปรากฏจะสัญญากับดัชนีของข้อตกลงของถึง 0.83 มันถูกแสดงว่า เครือข่ายประสาทเทียมสามารถจัดลำดับความสำคัญ และการจัดอันดับประสิทธิภาพของแต่ละเว็บไซต์ตรวจสอบคุณภาพอากาศตรวจสอบเครือข่าย

ผลลัพธ์ (ไทย) 2:

การคาดการณ์มาก PM10 ความเข้มข้นการใช้โครงข่ายประสาทเทียม
Nejadkoorki, F.1 * และ Baroutian, S.2
สไตล์ชีวิตและความคาดหวังในชีวิตของผู้อยู่อาศัยได้รับผลกระทบจากการเพิ่มขึ้นของอนุภาคเรื่อง 10 ไมโครเมตรหรือน้อยกว่าขนาดเส้นผ่าศูนย์กลาง (PM10) ในเมืองและนี่คือ ทำไมความเข้มข้น PM10 สูงสุดได้รับความสนใจอย่างกว้างขวาง ระบบการแจ้งให้ทราบล่วงหน้าก่อนที่ความเข้มข้น PM10 จำเป็นการคาดการณ์ที่ถูกต้องของสารมลพิษ ในการศึกษาในปัจจุบันเครือข่ายประสาทเทียมถูกใช้ในการประเมิน PM10 สูงสุดความเข้มข้นตลอด24 ชั่วโมงข้างหน้าในกรุงเตหะราน มลพิษทางอุตุนิยมวิทยาและก๊าซจากคุณภาพอากาศที่แตกต่างกันการตรวจสอบสถานีอุตุนิยมวิทยาและเว็บไซต์ที่ได้ใส่ลงในรูปแบบ ฟีดไปข้างหน้าเครือข่ายประสาทการขยายพันธุ์กลับถูกนำมาใช้กับการเปิดใช้งานฟังก์ชั่นสัมผัส sigmoid การผ่อนชำระและ Levenberg-Marquardt การเพิ่มประสิทธิภาพของวิธีการ ผลการศึกษาพบว่าการคาดการณ์ PM10 ในเว็บไซต์ทั้งหมดดูเหมือนจะมีแนวโน้มที่มีค่าดัชนีในข้อตกลงถึง 0.83 มันก็แสดงให้เห็นว่าโครงข่ายประสาทเทียมสามารถจัดลำดับความสำคัญและจัดอันดับผลการดำเนินงานของการตรวจสอบเว็บไซต์ของแต่ละบุคคลในการตรวจสอบเครือข่ายที่มีคุณภาพอากาศ

ผลลัพธ์ (ไทย) 3:

การพยากรณ์ปริมาณ PM10 สูงสุดโดยใช้โครงข่ายประสาทเทียม
nejadkoorki f.1 * baroutian , และวิถีชีวิตของชาว s.2
x ชีวิตและได้รับผลกระทบจากการเพิ่มขึ้นของอนุภาค
เรื่อง 10 ไมโครเมตร หรือน้อยกว่าเส้นผ่านศูนย์กลาง ( PM10 ) ในเมือง และนี่คือเหตุผลที่ความเข้มข้น PM10 สูงสุดมี
ได้รับความสนใจอย่างกว้างขวางระบบแจ้งให้ทราบเร็ว PM10 ความเข้มข้น necessitates การ
การพยากรณ์ที่ถูกต้องของมลพิษ . ในการศึกษาปัจจุบันโครงข่ายประสาทเทียมที่ใช้เพื่อประมาณความเข้มข้น PM10
สูงสุด 24-h ข้างหน้าในเตหะราน อุตุนิยมวิทยาและก๊าซมลพิษจากต่างคุณภาพอากาศตรวจสอบและสถานีอุตุนิยมวิทยา
ใส่เข้าไปในเว็บไซต์เป็นรูปแบบดึงไปข้างหน้ากลับโดยนิวรอล hyperbolic tangent
ใช้กับแบบเปิดใช้งานฟังก์ชันและ levenberg –มาร์คว optimization
วิธี ผลการศึกษาพบว่า การพยากรณ์ PM10 ในเว็บไซต์ทั้งหมดที่ปรากฏจะสัญญากับดัชนีของข้อตกลง
ถึง 0.83 . นอกจากนี้ยังพบว่าโครงข่ายประสาทเทียมสามารถจัดลำดับความสำคัญและอันดับการแสดง
ในการตรวจสอบแต่ละเว็บไซต์ในเครื่องตรวจสอบคุณภาพเครือข่าย