-
مقاله
1 - اثر بهینه سازی کرنل در مدلسازی پدیده خشکسالی با بهرهگیری از هوش محاسباتی (مطالعه موردی: شهر سنندج)سنجشازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی , شماره 1 , سال 14 , تابستان 1402خشکسالی یکی از مهمترین بلایای طبیعی است که اثرات مخرب و زیانباری در زمینههای مختلف اقتصادی، اجتماعی و زیستمحیطی بهجای میگذارد. با توجه به رفتار تکرارشوندگی این پدیده، در صورت عدم اجرای راهکارهای مناسب، آثار مخرب آن تا سالها پس از وقوع میتواند در منطقه باقی بمان چکیده کاملخشکسالی یکی از مهمترین بلایای طبیعی است که اثرات مخرب و زیانباری در زمینههای مختلف اقتصادی، اجتماعی و زیستمحیطی بهجای میگذارد. با توجه به رفتار تکرارشوندگی این پدیده، در صورت عدم اجرای راهکارهای مناسب، آثار مخرب آن تا سالها پس از وقوع میتواند در منطقه باقی بماند. اکثر بحرانهای طبیعی از قبیل سیل، زلزله، طوفان و رانش زمین در دورهای کوتاه ممکن است خسارات سنگین مالی و جانی به جامعه وارد کنند، اما خشکسالی ماهیت آرام و خزشی دارد و آثار مخرب آن بهتدریج و در مدت طولانیتری ظاهر میشود. ازاینرو با مدلسازی خشکسالی میتوان طرحهایی جهت آمادهسازی در مقابل خشکسالی و کاهش خسارات ناشی از آن ارائه کرد. در این پژوهش از الگوریتمهای هوش محاسباتی شبکه عصبی پرسپترون چندلایه (Multi-Layer Perceptron)، شبکه عصبی رگرسیونی تعمیمیافته (Generalized Regression Neural Network)، رگرسیون بردار پشتیبان با کرنل گوسین (Support Vector Regression) و رگرسیون بردار پشتیبان با کرنل پیشنهادی (Support Vector Regression New kernel) جهت مدلسازی خشکسالی با در نظر گرفتن شاخص استانداردشده بارش Standardized Precipitation Index) ( استفاده شده است. نتایج مدلسازیها در اغلب حالات بیانگر کارایی بهتر مدل پیشنهادی SVR_N نسبت به دیگر مدلها بود که در SPI 48 ماهه بهترین دقت مدلسازی حاصل گردید و مقدار RMSE و R2 به ترتیب برابر 093/0 و 991/0 به دست آمد. همچنین مدلهای GRNN، MLP و SVR به ترتیب بعد از SVR_N کارایی بهتری در مدلسازی از خود نشان دادند. نتایج این تحقیق بیانگر اهمیت انتخاب و بهینهسازی کرنل بر رفتار مدلسازی پدیده خشکسالی در مدلسازی به روش رگرسیون بردار پشتیبان است. پرونده مقاله -
مقاله
2 - پیشبینی و مدلسازی خشکسالی به روش هیبریدی موجک و الگوریتمهای شبکه عصبیسنجشازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی , شماره 4 , سال 13 , زمستان 1401پیشینه و هدف بحران خشکسالی یک دوره خشک آب و هوایی است که در هر نقطه از جهان و با هر اقلیمی ممکن است رخ دهد. این بحران اگرچه بهآرامی شروع میشود اما میتواند برای مدتی طولانی تأثیر جدی بر سلامت، محصولات کشاورزی، اقتصاد، انرژی و محیطزیست بگذارد. خشکسالی معیشت و سلامت چکیده کاملپیشینه و هدف بحران خشکسالی یک دوره خشک آب و هوایی است که در هر نقطه از جهان و با هر اقلیمی ممکن است رخ دهد. این بحران اگرچه بهآرامی شروع میشود اما میتواند برای مدتی طولانی تأثیر جدی بر سلامت، محصولات کشاورزی، اقتصاد، انرژی و محیطزیست بگذارد. خشکسالی معیشت و سلامت انسانها را بهشدت تهدید میکند و خطر ابتلا به انواع بیماریها را افزایش میدهد. ازاینرو مدلسازی و پیشبینی خشکسالی از موضوعات مهم و جدی در جوامع علمی است. درگذشته از مدلهای ریاضی و آماری مانند روش رگرسیون ساده، خودرگرسیونگیری (AR)، میانگین متحرک (MA) و نیز ARIMA جهت مدلسازی خشکسالی استفاده میشد. در سالهای اخیر استفاده از روشهای یادگیری ماشین و هوش محاسباتی جهت مدلسازی و پیشبینی خشکسالی بسیار موردتوجه دانشمندان بوده است. ازجمله از الگوریتمهای هوش محاسباتی که توسط دانشمندان جهت مدلسازی خشکسالی قبلاً موردتوجه قرارگرفته است میتوان به شبکه عصبی پرسپترون چندلایه، شبکه عصبی RBF، ماشین بردار پشتیبان، روشهای فازی و فازی عصبی اشاره کرد. در این تحقیق هدف مدلسازی و پیشبینی خشکسالی با بهرهگیری از سه الگوریتم شبکه عصبی شامل پرسپترون چندلایه، شبکه عصبی RBF و شبکه عصبی رگرسیون تعمیمیافته است. شاخص خشکسالی استفادهشده در این تحقیق شاخص استانداردشده بارش (SPI) است. در این تحقیق از تکنیک موجک در تلفیق با الگوریتمهای شبکه عصبی مصنوعی جهت مدلسازی و پیشبینی خشکسالی در 10 ایستگاه سینوپتیک در کشور ایران (آبادان، بابلسر، بندرعباس، کرمان، مشهد، رشت، سقز، تهران، تبریز و زاهدان) در اقلیمهای مختلف و با توزیع مکانی مناسب در کل کشور ایران استفادهشده است.مواد و روش ها در این تحقیق در ابتدا با استفاده از دادههای بارش ماهانه بین سالهای 1961 تا 2017 شاخص خشکسالی SPI در مقیاسهای زمانی 3، 6، 12، 18، 24 و 48 ماهه از طریق برنامهنویسی در محیط نرمافزار MATLAB پیادهسازی شد. نتایج این مرحله با استفاده از نرمافزارهای علمی موجود MDM و Drinc صحت سنجی شد. در ادامه با استفاده از زنجیره مارکوف به طراحی مدلهای پیشبینی پرداخته شد. در این تحقیق درمجموع از شش مدل هوش محاسباتی شامل سه مدل منفرد شبکه عصبی پرسپترون چندلایه (MLP)، شبکه عصبی تابع پایه شعاعی (RBF) و شبکه عصبی رگرسیون تعمیمیافته (GRNN) و سه مدل ترکیبی (هیبریدی) موجک با این سه مدل بهصورت (WMLP-WRBF-WGRNN) جهت مدلسازی و پیشبینی شاخص SPI در 10 ایستگاه این تحقیق استفادهشده است. در پیادهسازی تمامی این شش مدل از محیط برنامهنویسی نرمافزار MATLAB استفادهشده است. در این تحقیق ابتدا از چهار نوع موجک گسسته شامل دابیشز (Daubechies)، سیملت (Symlets)، کویفلت (Coiflets) و دوضلعی (Biorthogonal) استفاده شد، به دلیل عملکرد بهتر موجک دابیشز، از این نوع موجک در تحقیق بهعنوان گزینه نهایی استفاده شد. در موجک دابیشز استفادهشده در بین مرتبههای 1 تا 45، مرتبه 3 بهترین عملکرد را در بین مقیاسهای زمانی مختلف SPI از خود نشان داد، به همین دلیل از موجک دابیشز مرتبه 3 در تمامی مدلهای ترکیبی این تحقیق استفاده شد. بعد از آموزش همه شش الگوریتم استفادهشده نتایج با معیارهای ارزیابی ضریب تعیین (R2) و جذر میانگین مربعات خطا (RMSE) جهت اندازهگیری اختلاف بین مقادیر واقعی و برآورد شده استفادهشده است.نتایج و بحث نتایج این تحقیق نشان داد که روشهای هوش محاسباتی دقت بالایی در مدلسازی و پیشبینی شاخص خشکسالی SPI دارند. در مرحله اول نتایج نشان داد که مدلهای منفرد MLP، RBF و GRNN درصورتیکه بهطور صحیح آموزش داده شوند نتایجی نزدیک به هم در مدلسازی و پیشبینی شاخص خشکسالی SPI دارند. در مرحله بعد مشاهده شد که تکنیک موجک باعث بهبود نتایج مدلسازی خواهد شد. در استفاده از تکنیک موجک در تلفیق با سه مدل منفرد MLP، RBF و GRNN انتخاب نوع موجک نیز در مدلسازی بهتر مؤثر است، بهنحویکه در این تحقیق ابتدا از چهار نوع موجک گسسته دابیشز، سیملت، کویفلت و دوضلعی در تلفیق با سه مدل منفرد این تحقیق استفاده شد که نتایج این چهار نوع موجک نشان از برتری نسبی موجک دابیشز نسبت به سه موجک دیگر بود. در استفاده از موجک دابیشز نیز از آنجایی این موجک 45 مرتبه دارد و انتخاب مرتبه نیز در مدلسازی مؤثر بود با آزمایش 45 مرتبه موجک مشاهده شد که موجک مرتبه 3 در حالت کلی دارای دقت بالاتری در تمامی مقیاسهای زمانی شاخص SPI (3، 6، 12، 18، 24 و 48 ماهه) و نیز در هر سه الگوریتم MLP، RBF و GRNN دارد. ازاینرو در این تحقیق از موجک مرتبه سوم دابیشز در هر سه الگوریتم این تحقیق و نیز در همه مقیاسهای زمانی استفاده شد. نتایج تحقیق نشان داد که تلفیق تکنیک موجک با هر سه مدل MLP، RBF و GRNN باعث بهبود نتایج خواهد شد. نمودارهای تحقیق نشان داد که برای مقیاس زمانی سهماهه مقادیر بهدستآمده از پیشبینی مدل منفرد در مدلسازی MLP و RBF تا حدودی دارای اختلاففاز یکماهه نسبت به مدل هیبریدی هست، درحالیکه در مدل GRNN این اختلاف پیشبینی کم هست. نتایج مدلسازی برای هر دو حالت مدلسازی منفرد و هیبریدی بیانگر عدم وجود اختلاففاز بین دو روش مدلسازی منفرد و هیبریدی درمقیاسهای زمانی 6، 12، 18، 24 و 48 است. برای مقیاس زمانی 12 و 24 ماهه، مدل منفرد GRNN دارای نوسانات و خطای بیشتری در مدلسازی و پیشبینی ماهانه SPI بوده است درحالیکه مدل هیبریدی در این دو مقیاس زمانی بهمراتب رفتار بهتری در مدلسازی و پیشبینی ماهانه داشته است. نمودارهای پراکنش دادههای مربوط به SPI مشاهداتی ایستگاه آبادان نشان داد که نتایج مدلسازی برای حالت منفرد و هیبریدی در مقیاسهای زمانی 3 و 6 ماهه دقت کمتری نسبت به دیگر مقیاسهای زمانی دارد و جدایی خط برازش و همچنین میزان عدم قطعیت آن بیشتر است. هرچند در همه مدلهای شبکه عصبی و در تمامی مقیاسهای زمانی روش هیبریدی دقت بیشتری از خود نشان داده است. نتایج عددی تحقیق نشاندهنده این است که در تمامی SPI ها و ایستگاههای موردمطالعه، مقادیر تفاضلی R2 مثبت است که بیانگر مقادیر بیشتر R2 مدل هیبریدی نسبت به مدلسازیهای شبکه عصبی منفرد است که به نحوی نشاندهنده بهبود مدلسازی هیبریدی نسبت به مدلهای منفرد است. همچنین مقادیر تفاضلی RMSE نیز در کلیه مدلهای موردبررسی و ایستگاههای موردمطالعه منفی است که نشاندهنده کمتر بودن مقدار RMSE در پیشبینی مدلهای هیبریدی نسبت به مدلهای منفرد شبکه عصبی است. در گرافهای تحقیق دیده میشود که مقدار اختلافها در RMSE و R2 بیانگر میزان اختلاف بیشتر در مقیاسهای زمانی 3 و 6 نسبت به مقیاسهای زمانی 12، 18، 24 و 48 است که به نحوی به ماهیت دادههای این مقیاسهای زمانی برمیگردد. به ترتیب بیشترین بهبود در مقدار R2 و RMSE از مقیاس پایین 3 ماهه به سمت مقیاسهای زمانی بالاتر 48 ماهه است.نتیجه گیری از یافتههای این تحقیق میتوان نتیجه گرفت که الگوریتمهای شبکه عصبی مصنوعی روشهای کارآمدی در مدلسازی و پیشبینی شاخص خشکسالی SPI میباشند. همچنین استفاده از موجک در هر سه مدل شبکه عصبی مصنوعی باعث بهبود نتایج خواهد شد. همچنین میتوان نتیجه گرفت که برای مدلسازی بهتر شاخص خشکسالی SPI لازم است نوع و مرتبه موجک بهینه انتخاب شود. از نتایج این تحقیق میتوان نتیجهگیری کرد که تکنیک موجک تأثیر بیشتری در مقیاسهای زمانی پایینتر یعنی 3 و 6 ماهه نسبت به مقیاسهای بالاتر یعنی 24 و 48 ماهه دارد. پرونده مقاله -
مقاله
3 - Risk Assessment of Heavy Metal in Ambient Air (Case Study : Ahvaz,Iran)Anthropogenic Pollution , شماره 1 , سال 4 , بهار 2020Abstract: Particulate Matter (PM) is the primary culprit behind reduced air quality in urban areas. Although PM consists of various compounds, heavy metals are essential constituents because of their harmful effects on human health. The purpose of this study was to dete چکیده کاملAbstract: Particulate Matter (PM) is the primary culprit behind reduced air quality in urban areas. Although PM consists of various compounds, heavy metals are essential constituents because of their harmful effects on human health. The purpose of this study was to determine heavy metals concentrations in atmospheric PM10 in ambient air of Ahvaz, Iran. and also assessing their health risk on the resident of Ahvaz. In 2010, the World Health Organization named Ahvaz as the world's most polluted city. Ambient air was sampled at five locations around the city in winter 2018 and summer 2019 to measure PM10 according to ASTM; D4096 Standard. Further, the air sampling filters were analyzed by the acid digestion method and atomic emission spectroscopy to determine the concentration of 8 heavy metals in the particulates—namely Cu, As, Ni, Pb, Cd, Fe, Zn, and Cr. The PM10 concentrations in ambient air ranged from 22.335 to 463.36μg/m3. The lowest concentration was observed at Station 3 northeast of the city in winter and the highest at Station 1 in the city center in the summer. The IRIS method was used in accordance with the EPA Guidelines for risk assessment. The results of non-carcinogenic risk assessment indicated that HQ is greater than 1 for long-term hazard and less than 1 for short-term hazard. As for carcinogenic risk assessment, the lifetime risk of developing or dying from cancer is 519 per 1 million among the residents of Ahvaz, which exceeds the permissible limits according to most standards—that state some figure between 1 and 100 per 1 million. پرونده مقاله -
مقاله
4 - بهرهگیری از الگوریتمهای تلفیقی SVR و GPR با موجک در مدلسازی و پیشبینی ماهانه خشکسالیفصلنامه علمی مهندسی منابع آب , شماره 1 , سال 16 , بهار 1402چکیده مقدمه: خشکسالی یکی از مخاطرات طبیعی است که به دلیل متأثر بودن از پارامترهای مختلف اقلیمی دارای رفتاری تصادفی و غیرخطی است. شاخص SPI بهعنوان مرسومترین شاخص مستخرج شده از بارندگی میباشد که در مدلسازی خشکسالی مورداستفاده محققی چکیده کاملچکیده مقدمه: خشکسالی یکی از مخاطرات طبیعی است که به دلیل متأثر بودن از پارامترهای مختلف اقلیمی دارای رفتاری تصادفی و غیرخطی است. شاخص SPI بهعنوان مرسومترین شاخص مستخرج شده از بارندگی میباشد که در مدلسازی خشکسالی مورداستفاده محققین مختلف قرارگرفته است. استفاده از روشهای هوش محاسباتی جهت مدلسازی خشکسالی در سالهای اخیر بسیار مورد توجه محققین حوزه منابع آب بوده است. روش: در این تحقیق از الگوریتمهای SVR و GPR به صورت منفرد و همچنین تلفیق این الگوریتمها با فن موجک به مدلسازی و پیشبینی شاخص SPI پرداخته شده است و هدف بررسی میزان بهبود نتایج الگوریتمهای هوش محاسباتی در تلفیق با موجک بوده است. در این تحقیق از اطلاعات سری زمانی 10 ایستگاه سینوپتیک ایران در بازه زمانی 1961 تا 2017 به صورت ماهانه جهت مدلسازی خشکسالی به عنوان ورودی الگوریتمهای مورد مطالعه استفاده شده است. یافته ها: نتایج این پژوهش نشان داد که استفاده از روش موجک در تلفیق با الگوریتمهای هوش محاسباتی SVR و GPR سبب بهبود نتایج در تمامی مقیاسهای زمانی گردید. همچنین میزان بهبود مدلسازی ناشی از استفاده از موجک در تلفیق با مدل SVR با میانگین تفاضل RMSE برابر با 1540/0- و تفاضل R2 برابر 1491/0 و در مدل GPR با میانگین تفاضل RMSE برابر با 1554/0- و تفاضل R2 برابر 1530/0 نسبت به مدلهای منفرد SVR و GPR نشان داد که مدل GPR در حالت کلی (همه مقیاسهای زمانی و تمامی ایستگاهها) بهبود بهتری در مدل هیبریدی نسبت به مدل منفرد داشته است. پرونده مقاله