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.
A neural network based model was proposed to
predict the daily averaged PM10 concentrations in the
metropolitan area of Tehran. The approach is to define
an alarm system for spatial and temporal pollution
information to provide choice for commuters to reduce
their unnecessary trips in contaminated areas across
the city. While most of researches have focused on
using meteorological variables this work has considered
gaseous pollutants as well to predict maximum PM10
one day before. Results showed that the
aforementioned variables significantly predicted PM10
concentrations. Another conclusion is that the
developed NNs for each monitoring site in an air quality
monitoring network could offset any missing data in
their neighbouring monitoring sites to a certain extent.
This provides air quality managers and researchers to
rank and prioritize the performance of air quality
monitoring sites. The significance of such technique
is that it can use data from different time scales.

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 และการจัดอันดับประสิทธิภาพของแต่ละเว็บไซต์ตรวจสอบคุณภาพอากาศตรวจสอบเครือข่ายมีเสนอแบบจำลองโดยใช้โครงข่ายประสาททำนายวันที่ averaged PM10 ความเข้มข้นในการปริมณฑลของเตหราน วิธีการคือการ กำหนดระบบการแจ้งเตือนสำหรับมลพิษปริภูมิ และขมับข้อมูลให้ทางเลือกสำหรับผู้ต้องลดการเดินทางไม่จำเป็นในพื้นที่ปนเปื้อนข้ามการเมือง ในขณะที่มีเน้นมากที่สุดของงานวิจัยโดยใช้ตัวแปรอุตุนิยมวิทยางานนี้ได้พิจารณาสารมลพิษที่เป็นต้นเช่นการทำนายสูง PM10หนึ่งวันก่อน ผลพบว่าการตัวแปรดังกล่าวมากทำนาย PM10ความเข้มข้น สรุปอีกว่าการพัฒนา NNs สำหรับแต่ละไซต์ตรวจสอบคุณภาพอากาศเป็นตรวจสอบเครือข่ายสามารถตรงข้ามข้อมูลขาดหายไปในของอเมริกาเพื่อนตรวจสอบขอบเขตแน่นอนผู้จัดการคุณภาพอากาศและนักวิจัยเพื่อให้จัดอันดับ และจัดลำดับความสำคัญของคุณภาพอากาศตรวจสอบเว็บไซต์ ความสำคัญของเทคนิคดังกล่าวคือ มันสามารถใช้ข้อมูลจากเวลาที่แตกต่างกัน

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 มันก็แสดงให้เห็นว่าโครงข่ายประสาทเทียมสามารถจัดลำดับความสำคัญและจัดอันดับผลการดำเนินงานของการตรวจสอบเว็บไซต์ของแต่ละบุคคลในเครือข่ายการตรวจสอบคุณภาพอากาศ. เครือข่ายประสาทตามรูปแบบที่ได้รับการเสนอให้คาดการณ์เฉลี่ยอยู่ในชีวิตประจำวันความเข้มข้น PM10 ในพื้นที่นครบาลเตหะราน วิธีการคือการกำหนดระบบเตือนภัยมลพิษเชิงพื้นที่และเวลาข้อมูลที่จะให้ทางเลือกสำหรับผู้โดยสารที่จะลดการเดินทางที่ไม่จำเป็นของพวกเขาในพื้นที่ปนเปื้อนไปทั่วเมือง ขณะที่ส่วนใหญ่ของงานวิจัยได้มุ่งเน้นการใช้ตัวแปรอุตุนิยมวิทยางานนี้ได้พิจารณาสารมลพิษที่เป็นก๊าซเช่นเดียวกับที่จะคาดการณ์สูงสุดPM10 หนึ่งวันก่อน ผลการศึกษาพบว่าตัวแปรดังกล่าวอย่างมีนัยสำคัญที่คาดการณ์ PM10 ความเข้มข้น สรุปก็คือว่าNNs พัฒนาเว็บไซต์การตรวจสอบในแต่ละคุณภาพอากาศตรวจสอบเครือข่ายสามารถชดเชยข้อมูลที่ขาดหายไปในเพื่อนบ้านของพวกเขาตรวจสอบเว็บไซต์ในระดับหนึ่ง. นี้จะให้ผู้จัดการคุณภาพอากาศและนักวิจัยในการจัดอันดับและจัดลำดับความสำคัญการทำงานของคุณภาพอากาศเว็บไซต์การตรวจสอบ. ความสำคัญของการใช้เทคนิคดังกล่าวก็คือว่ามันสามารถใช้ข้อมูลจากเครื่องชั่งน้ำหนักเวลาที่แตกต่าง

ผลลัพธ์ (ไทย) 3:

การพยากรณ์ปริมาณ PM10 สูงสุดโดยใช้โครงข่ายประสาทเทียม
nejadkoorki f.1 * baroutian , และวิถีชีวิตของชาว s.2
x ชีวิตและได้รับผลกระทบจากการเพิ่มขึ้นของอนุภาค
เรื่อง 10 ไมโครเมตร หรือน้อยกว่าเส้นผ่านศูนย์กลาง ( PM10 ) ในเมือง และนี่คือเหตุผลที่ความเข้มข้น PM10 สูงสุดมี
ได้รับความสนใจอย่างกว้างขวาง