پایان نامه بررسی و ارزیابی الگوریتم های مونت کارلو و شبکه های عصبی برای پیش بینی آلودگی هوا در محیط یک سیستم اطلاعات مکانی زمانمند

فهرست پایان نامه بررسی و ارزیابی الگوریتم های مونت کارلو و شبکه های عصبی برای پیش بینی آلودگی هوا در محیط یک سیستم اطلاعات مکانی زمانمند

فهرست:

فصل 1 : مقدمه.. 1

1-1-   مقدمه. 2

1-2-   زمینه‌ها و اهداف پایان نامه. 5

1-3-   مروری بر تحقیقات انجام شده 5

1-4-   روش تحقیق.. 10

1-5-   ساختار پایان نامه. 12

فصل 2 : مبانی نظری... 13

2-1-   آلودگی هوا چیست؟ 14

2-1-1-  انواع آلاینده ها 14

            ذرات آلوده یا مواد معلق در هوا ( PM10 ) 15

            منوکسید کربن.. 15

            اکسید های سولفور 16

            اکسیدهای نیتروژن.. 17

            ازن         ...............................................................................................................................................18

            هیدروکربن‌های فرار (VOCs) 19

2-1-2-  شاخص استاندارد آلودگی هوا 19

            تعریف ppm و ppb. 21

2-2-   پارامترهای هواشناسی و اثرات آنها در عوامل آلوده کنندۀ هوا 21

2-3-   سیستم اطلاعات مکانی زمانمند. 26

2-4-   سری‌های زمانی.. 28

فصل 3:مواد و روش‌های مورد استفاده در تحقیق... 30

3-1-   معرفی ایستگاه‌ها و داده‌ها 31

3-2-   بررسی قابلیت پیش بینی داده‌ها 33

3-2-1-  آزمون تحلیل تغییر مبنای حوزۀ تغییرات (تحلیلR/S ) 34

3-3-   استفاده از تحلیل مؤلفه های اصلی  و تحلیل عامل اصلی به منظور بررسی داده های اثر گذار بر CO و  O3  برای ورود به یک سیستم پیش بینی کنندۀ CO و  O3 36

3-3-1-  تحلیل مؤلفه های اصلی و تحلیل عامل اصلی.. 36

3-4-   تحلیل سری زمانی داده ها به منظور استخراج تأخیرهای زمانی مؤثر هر سری داده در پیش بینی O3 و CO     .......................................................................................................................................................................................39

3-4-1-  استفاده از توابع خود همبستگی (ACF) و خود همبستگی جزئی (PACF) به منظور پیدا کردن الگوی مناسب برای سری زمانی   40

            تابع خود همبستگی.. 40

            تابع خود همبستگی جزئی.. 41

            فرایندهای اتورگرسیو. 41

            فرایندهای میانگین متحرک... 42

            فرایندهای اتورگرسیو میانگین متحرک... 42

            فرآیندهای ایستا 43

            تبدیل فرایندهای غیر ایستا به فرایندهای ایستا 44

3-5-   معماری‌های شبکه عصبی.. 45

3-5-1-  مدل یک نورون مصنوعی.. 47

3-6-   شبکه عصبی پرسپترون چند لایه. 48

3-6-1-  ساختار شبکه های عصبی پرسپترون چندلایه. 49

3-6-2-  الگوریتم پس انتشار خطا در شبکه های پرسپترون چندلایه. 51

3-7-   شبکه المن.. 52

3-7-1-  آموزش شبکه Elaman. 54

3-8-   رگرسیون‌ خطی.. 55

3-9-   مدل‌های خطی تعمیم یافته. 55

3-10- مدل های خطی تعمیم یافته بیز. 59

3-11- زنجیره‌‌های مارکف مونت‌کارلو. 60

فصل 4: ارزیابی شبکه‌های عصبی و رگرسیون بیز با رویکرد مونت کارلو در پیش‌بینی دو آلایندۀ CO و O3.    ......................................................................................................................................................62

4-1-   مقدمه. 63

4-2-   بررسی تغییرات مکانی دو آلایندۀ CO و O3 65

4-3-   بررسی قابلیت پیش بینی داده ها 67

4-4-   بررسی نتایج حاصل از تحلیل مؤلفه‌های اصلی و تحلیل عامل اصلی به منظور بررسی داده‌های اثر گذار بر دو آلایندۀ CO و  O3 69

4-5-   بررسی هر یک از سری‌های زمانی به منظور تعیین تأخیرهای زمانی مؤثر برای پیش‌بینی یک گام زمانی جلوتر   73

            بررسی سری زمانی رطوبت... 74

4-6-   پیش پردازش داده‌ها برای ورود به شبکۀ عصبی.. 77

4-7-   پیش‌بینی دو آلایندۀ CO و O3 با استفاده از شبکه‌های عصبی.. 79

4-7-1-  پیش‌بینی به کمک شبکه‌های MLP. 80

            پیش‌بینی O3 81

            پیش‌بینی CO.. 84

4-7-2-  پیش بینی به کمک شبکه المن.. 88

            پیش‌بینی O3 88

            پیش‌بینی CO.. 91

4-8-   پیش‌بینی دو آلایندۀ CO و O3 با استفاده از رگرسیون بیز با رویکرد مونت‌کارلو. 94

فصل 5: نتیجه‌گیری و پیشنهادات... 101

5-1-   نتیجه گیری.. 102

5-2-   پیشنهادات.. 107

پیوست    108

پیوست 1- نمودارهای نمای هرست برای پارامترهای هواشناسی وآلاینده‌های هوا. 109

پیوست 2- نمودارهای توابع خودهمبستگی و خودهمبستگی جزئی پارامترهای هواشناسی وآلاینده‌های هوا و نیز نمودارهای این توابع برای باقیماندۀ مدل AR برازش داده شده. 112

پیوست 3- نمونه ای از مؤلفه‌های بدست آمده از روش تحلیل مؤلفه‌های اصلی برای تأخیرهای زمانی مؤثر هر پارامتر. .......... 119 

پیوست 4- فرمول محاسبۀ RMSE و R2 122

 

منبع:

[1] صدر موسوی، م.، رحیمی، ا.، (مقایسۀ نتایج شبکه های عصبی پرسپترون چند لایه با رگرسیون چندگانه در پیش بینی غلظت ازن در شهر تبریز)، پژوهش‌های جغرافیای طبیعی، شماره 71، بهار 1388.

 

[2] A. Kurt, B. Gulbagci, F. Karaca, O. Alagha, " An online air pollution forecasting system using neural networks", Environment International , vol.34, pp.592-598, 2008.

 

[3] Y. Feng, W. Zhang, D. Sun, L.Zhang, " Ozone concentration forecast method based on genetic algorithm optimized back propagation neural networks and support vector machine data classification ", Environment International , vol.45, pp.1979-1985, 2011.

 

[4] P. Perez, J. reyes, "An integrated neural network model for PM10 forecasting ", Atmospheric Enviroment, vol.40, pp.2845-2851, 2006.

 

[5] S. Wei Lin, C. Hong Sun, C. Han Chen, " Temporal data mining using genetic algorithm and neural network – A case study of air pollutant forecasts", IEEE transaction, vol.2, no.6, pp.568-576, 1991.

 

[6] L. Osrodka, M. Wojtylac, E. Krajny, "Forecasting of high-level air pollution in urban-industrial agglomeration by means of numerical weather forecasting ", journal of Natural Resource Research, vol.8, pp.93-109, 2003.

 

[7] H. Jef, M. Clemens, D. Gerwin, F. Frans, B. Olivier " A neural network forecast for daily average PM10 concentrations in belgium " ,Atmospheric Environment , vol.39, no.18, pp.3279-3289, 2005.

 

[8] C. Carnevale, G. Finzi, E. Pisoni, V. Singh, M. Volta, "Neural networks and co-kriging techniques to forecast ozone concentrations in urban areas ", International Environmental Modelling and Sofware Society (iEMSs) , 2008.

 

[9] E. Pasero, L. Mesin, " Artificial Neural Network to forecast air pollution " , journal of Remote Sensing, vol.24, no.5, pp.1151-1156, 2003.

 

[10] علیاری، م.، (پیش‌بینی رفتار آلایند‌های هوای اراک با استفاده از شبکه‌های عصبی)، پایان نامه کارشناسی ارشد، دانشکده برق دانشگاه صنعتی خواجه نصیرالدین طوسی. 1382

 

[11] E. Kalapanidas, N. Avouris, "Feature selection using a genetic algorithm applied on an air quality forecasting problem ",  Australian journal of earth science, vol.47, pp.757-770, 2000.

 

[12] M. H. Gholizadeh, M. Darand, " Forecasting the air pollution with using artificial neural networks: The case study; Tehran city" , Journal of Applied Sciences, vol.9, No.21, pp.3882-3887, 2009.

 

[13] H. K. Cigizoglu, K. Alp, M. Komurcu, "Two neural network methods in estimation of air pollution time" , Geoscience Canada, vol.17 (2), pp.79-89, 2006.

 

[14] W. Zhen Lu,  W. Jian Wang,  X. Kang Wang,  S. Hang Yan,   J. C.  Lam, "Potential assessment of a neural network model with PCA/RBF approach for forecasting pollutant trends in Mong Kok urban air, Hong Kong" , Environmental Research, vol.96,  pp. 79–87, 2004.

 

[15] S. I. V. Sousa, F. G. Martins, M. C. M. Alvim-Ferraz, M. C. Pereira, "Multiple linear regression and artificial neural networks based on principal components to predict ozone concentrations",

Environmental Modelling & Software, vol. 22, pp. 97-103, 2007.

 

[16] G. Soja,  A.M. Soja, "Ozone indices based on simple meteorological parameters: potentials and limitations of regression and neural network models",  Atmospheric Environment, vol. 33, pp. 4299-4307, 1999.

 

[17] W.Z  Lu,  D. Wang,  "Ground-level ozone prediction by support vector machine approach with a cost-sensitive classification scheme"  Science of the Total Environment, vol. 395, pp. 109-116, 2008.

 

[18] E.G. Ortiz-García,  S. Salcedo-Sanz, Á.M. Pérez-Bellido,  J.A. Portilla-Figueras,  L. Prieto, " Prediction of hourly O3 concentrations using support vector regression algorithms", Atmospheric Environment, vol. 44, pp. 4481-4488, 2010.

 

[19] W. Lu, W. Wang, A. TiLeungl, "Air Pollutant Parameter Forecasting Using Support Vector Machines ", IEEE, pp. 630-635, 2002.

 

 [20] H. Jorquera,  R. Perez,  A. Cipriano, A. Sespejo, M.V. Letelier, G. Acuna, "Forecasting  ozone daily maximum levels at Santiago, chile",   Atmospheric Environment, Vol. 32, No. 20, pp. 3415-3424, 1998.

 

[21] H. Jeong-Sook, K Dong-Sool, "A new method of ozone forecasting using fuzzy expert and neural network systems", Science of the Total Environment, vol. 325, pp. 221-237, 2004.

 

[22] S. Yu, X. Guo, K. Zhu, J. Du, " A neuro-fuzzy GA-BP method of seismic reservoir fuzzy rules extraction",  Expert Systems with Applications, vol. 37,  pp. 2037–2042, 2010.

 

[23] W. Wanga, W. Lub,  X.  Wangc, A.Y.T. Leung, " Prediction of maximum daily ozone level using combined neural network and statistical characteristics", Environment International, vol. 29, pp. 555– 562, 2003.

 

[24] E. Salazar-Ruiz, J.B. Ordieres, E.P. Vergara, S.F. Capuz-Rizo,  " Development and comparative analysis of tropospheric ozone prediction models using linear and artificial intelligence-based models in Mexicali, Baja California (Mexico) and Calexico, California (US)", Environmental Modelling & Software, vol. 23, pp. 1056-1069, 2008.

 

[25] G.I. Berastegi,  A. Elias,  A. Barona,  J. Saenz,  " From diagnosis to prognosis for forecasting air pollution using neural networks: Air pollution monitoring in Bilbao" ,   Environmental Modelling & Software, vol. 23, pp. 622-637, 2008.

 

[26] S. K .  Sahu, K. V.  Mardia,  "A bayesian kriged-kalman model for short-term forecasting of air pollution levels", Journal of the Royal Statistical Society, Series C, vol. 54, pp. 223-244, 2005.

 

[27] N. McMillan, S. M.  Bortnick,  M. E.  Irwin,  M. Berliner, "A hierarchical Bayesian model to estimate and forecast ozone through space and time",  Atmospheric Environment, vol.39, pp. 1373–1382, 2005.

 

[28] Y. Liu, H. Guo, G. Mao, P. Yang, " A Bayesian hierarchical model for urban air quality prediction under uncertainty",  Atmospheric Environment, vol. 42, pp. 8464–8469, 2008.

 

[29] http://www.epa.gov/ttn/caaa/t1/memoranda/rprtguid.pdf

 

[30] B. Sportisse,  "A review of current issues in air pollution modeling and simulation",  Comput Geosci, vol.11, pp. 59–181, 2007.

 

[31] R. Weron,  B. Przybylowicz, " Hurst analysis of electricity price dynamics ", Physica A, vol. 283, pp. 462-468 ,2000.

 

[32] خالوزاده، ح.، خاکی صدیق، ع.، ( ارزیابی روش های پیش بینی پذیری قیمت سهام و تعیین میزان قابلیت پیش بینی در بازار بورس تهران)، مجله علمی– پژوهشی مدرس، دانشگاه تربیت مدرس، دوره 7، شماره 3، صفحات 87-61، پاییز 1382.

 

[33] H. Camdevyren, N. Demyr, A. Kanik, S. Keskyn, "Use of principal component scores in multiple linear regression models for prediction of Chlorophyll-a in reservoirs",  Ecological Modelling, vol. 181, pp. 581-589, 2005.

 

[34] C. W. Liu, K. H.. Lin, Y. M.  Kuo,  " Application of factor analysis in the assessment of groundwater quality in a blackfoot disease area in Taiwan", The Science of the Total Environment, vol. 313,  pp. 77- 89,  2003.

 

 

[35] نوری، ر.، اشرفی، خ.، اژدرپور، ا.، (مقایسه کاربرد روش های شبکه عصبی مصنوعی و رگرسیون خطی چندمتغیره براساس تحلیل مؤلفه های اصلی برای پیش بینی غلظت میانگین روزانه کربن مونوکسید : بررسی موردی شهر تهران ) ، مجله فیزیک زمین و فضا، دوره34، شماره1، صفحه 152-135 ، 1387.

 

[36] S. Shrestha, F. Kazama, "Assessment of surface water quality using multivariate statistical techniques: A case study of the Fuji river basin, Japan", Environmental Modelling Software, vol. 22, pp. 464- 475, 2007.

 

[37] V. Simeonov,  J. A. Stratis,  C. Samara,  G. Zachariadis, D. Voutsa, A. Anthemidis,  M. Sofoniou,  Th.  Kouimtzis, " Assessment of the surface water quality in Northern Greece" ,  Water Research, vol. 37,  pp. 4119-4124, 2003.

 

[38] Y. Ouyang, " Application of principal component and factor analysis to evaluate surface water quality monitoring network",  Water Research, vol. 39, pp. 2621-2635,  2005.

 

[39] ناظم السادات،  س.م. ج.،  بیگی، ب .و.، امین، س .، ( پهنه بندی بارندگی زمستانه استانهای بوشهر، فارس و کهکیلویه و بویراحمد با استفاده از روش تحلیل مولفه‌های اصلی)،  مجله علوم و فنون کشاورزی و منابع طبیعی،  سال هفتم ، شماره اول، صفحات 71-60، 1382.

 

[40] نیرومند، ح.ع.،  بزرگ نیا، ا.، (سری‌های زمانی)، انتشارات دانشگاه پیام نور،1384.

 

[41] مهناج، م.ب.، (مبانی شبکه‌های عصبی)، مرکز نشر دانشگاه صنعتی امیرکبیر، 1381.

 

 

[42]  M.  Kantardzic, "DATA MINING: Concepts, Models, Methods and algorithms" , IEEE Press,  2003.

 

[43] ناظم السادات،  س.م. ج.،  بیگی، ب .و.، امین، س .، (ارزیابی و پایش شبکه ایستگاههای هواشناسی به روش تحلیل مولفه‌های اصلی و تحلیل عاملی مطالعه موردی: استان کرمان)،  نشریه آبیاری و زهکشی ایران، شماره اول، جلد5، صفحات 42-30، 1390.

 

[44] ریموند اچ، م.، (الگوهای خطی تعمیم یافته با کاربرد های آن در مهندسی و علوم)، انتشارات دانشگاه فردوسی  مشهد، 1384.

 

[45] B. Walsh, "Markov Chain Monte Carlo and Gibbs Sampling", Lecture Notes for EEB, vol. 581, 2004.

 

[46] Y. Liu, P.j. Yang, C. Hu, H.C. Guo, " Water quality modeling for load reduction under uncertainty: a Bayesian approach " Water Research , vol. 42, No. 13,  pp. 3305-3314, 2008.       

 

[47] J. Gill, "Bayesian Methods: a Social and Behavioral Sciences Approach", Chapman & Hall/CRC, Boca Raton, Florida, 2002.           

 

[48] S.S. Qian, C.A. Stow, M.E. Borsuk, "On Monte Carlo methods for Bayesian inference", Ecological Modelling, vol. 159 no.(2–3), pp. 269–277, 2003.                          

 

[49] D.J. Lunn, A. Thomas, N. Best, D. Spiegelhalter, "WinBUGS– a Bayesian modelling framework: concepts, structure, and extenibility", Statistics and Computing, vol. 10, pp. 325–337, 2000.

 

[50]  D. Desonie, "Atmosphere", Chelsea House Press, 2007.

[51] نادی، س.، (مدلسازی داده‌های زمانمند در سیستم‌های اطلاعات مکانی)، پایان نامه کارشناسی ارشد، دانشکده فنی دانشگاه تهران، 1383.

 

[52] D. M. Hogweg, "Spatio-temporal Visualization and Analysis", MSc Thesis, University of Salford, UK, 2000.