این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
بهداشت و ایمنی کار، جلد ۱۰، شماره ۴، صفحات ۴۰۶-۴۲۰
عنوان فارسی پیش بینی تراکم ازن در هوای شهر تهران با استفاده از رویکرد هوشمند داده محور
چکیده فارسی مقاله شهر تهران به عنوان یک کلان شهر، به علت دارا بودن جمعیت زیاد و آلودگی شدید ناشی از منابع و آلاینده های گوناگون، در معرض آسیب های ناشی از آلودگی هوا قرار دارد. پژوهش بر روی آسیب های ناشی از آلودگی هوا در شهر تهران با توجه به آلاینده های مهم و شاخص های موثر امری ضروری به نظر می رسد. مطالعه حاضر با هدف پیش بینی ازن هوای شهر تهران انجام شد. با توجه به مضررات گاز ازن بر سلامت انسان و محیط زیست و افزایش آن در دهه های گذشته، بررسی و پیش بینی میزان آن در هوا از اهمیت بالایی برخوردار است. پیش بینی تراکم گاز ازن در هوا می تواند برای پیشگیری و کنترل  توسط مسؤلان استفاده شود. این پژوهش از نوع روش تحلیلی-کاربردی بوده و با استفاده از داده های روزانه ازن ایستگاه های سنجش کیفیت هوای شهر تهران، هواشناسی، فضای سبز، ترافیکی و متغیرهای زمانی مثل تاخیر زمانی یک روزه به پیش بینی گاز ازن در کلان شهر تهران پرداخته است. در این راستا از مدل شبکه عصبی مصنوعی جهت پیش بینی غلظت گاز ازن با استفاده از نرم افزار MATLAB و با روش کدنویسی استفاده شد. در پایان نتایج مدل شبکه عصبی مصنوعی با مدل رگرسیون خطی مقایسه گردید. ضریب همبستگی و خطای جذر میانگین مربعات مدل شبکه عصبی 734/0 : R2 و566/0  RMSE: با معادلات رگرسیون 608/0 :R2  و  69/11 RMSE: مقایسه شد. بر اساس نتایج حاصل  می توان عنوان نمود که خطای مدل شبکه عصبی کمتر از روش رگرسیون است. بر اساس نتایج آنالیز حساسیت پارامترهای فصل از سال، طول ساعات آفتابی به ترتیب بیش ترین تاثیر را در میزان تراکم گاز ازن در هوای شهر تهران دارند
کلیدواژه‌های فارسی مقاله آلودگی هوا، گاز ازن ، شبکه عصبی مصنوعی، رگرسیون چند متغیره، آنالیز حساسیت
عنوان انگلیسی Forecasting Ozone Density in Tehran Air Using a Smart Data-Driven Approach
چکیده انگلیسی مقاله Introduction: As a metropolitan area in Iran, Tehran is exposed to damage from air pollution due to its large population and pollutants from various sources. Accordingly, research on damage induced by air pollution in this city seems necessary. The main purpose of this study was to forecast ozone in the city of Tehran. Considering the hazards of ozone (O3) gas on human health and the environment and its ascending trend over the past decades, it is also essential to study and predict its quantities in the air. Forecasting ozone in the air can be further used to prevent and control pollution by authorities. Material and Methods: Using an analytical-applied research method, this study was to predict ozone gas in this metropolitan area via daily ozone data of air quality measurement stations, traffic variables, green space, as well as time factors such as one-day time delay. In this regard, an artificial neural network (ANN) model was employed to forecast ozone concentration using the MATLAB software. Results: The results of the ANN model were compared with a linear regression one. Correlation coefficient and root-mean-square error (RMSE) of the ANN model were subsequently compared with R2=0.734 and RMSE=0.56 as well as R2=0.608 and RMSE=11.69 regression equations. Conclusion: It was concluded that the error in the ANN model was smaller than that in the regression one. According to the results of the sensitivity analysis of the season parameters, the length of sunshine hours had the most significant effect on the amount of ozone gas in Tehran air.
کلیدواژه‌های انگلیسی مقاله Air pollution, Ozone gas, Artificial neural network, Multivariate regression, Sensitivity analysis
نویسندگان مقاله سیده ریحانه شمس | Seyedeh Reyhaneh Shams
Department of Human Environment and Environmental Pollution, College of Environment, Karaj, Iran.
گروه محیط زیست انسانی و آلودگی محیط زیست، دانشکده محیط زیست،کرج، ایران

علی جهانی | Ali Jahani
Department of Natural Environment and Biodiversity, College of Environment, Karaj, Iran.
گروه محیط زیست طبیعی و تنوع زیستی، دانشکده محیط زیست، کرج، ایران

مظاهر معین الدینی | Mazaher Moeinaddini
Department of Environment, Faculty of Natural Resources, University of Tehran, Karaj, Iran
دانشکده منابع طبیعی، گروه محیط زیست، پردیس دانشگاه کشاورزی و منابع طبیعی تهران، کرج، ایران

نعمت الله خراسانی | Nematallah Khorasani
Department of Environment, Faculty of Natural Resources, University of Tehran, Karaj, Iran
دانشکده منابع طبیعی، گروه محیط زیست، پردیس دانشگاه کشاورزی و منابع طبیعی تهران، کرج، ایران

صبا کلانتری | Saba Kalantary
Department of Occupational Health Engineering, School of Public Health, Tehran University of Medical Science, Tehran, Iran
گروه مهندسی بهداشت حرفه ای، دانشکده بهداشت، دانشگاه علوم پزشکی تهران، تهران، ایران

نشانی اینترنتی http://jhsw.tums.ac.ir/browse.php?a_code=A-10-74-66&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده تخصصی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات