پایش و پیش‌بینی پارامترهای کیفیت هوا در مناطق شهری وابسته به عوامل متعددی مانند توپوگرافی، اقلیم، جمعیت، شبکه‌ی حمل و نقل میباشد که نحوه تعامل این عوامل مکانی به عنوان پدیده ای دینامیک، غیر خطی و دارای ابهام عنوان شده است.
در این راستا تکنیک‌های هوش مصنوعی در مدل کردن پدیده‌های غیر خطی و پیچیده دارای قابلیت فراوانی می‌باشند. شبکه‌ی فازی- عصبی این قابلیت را در اختیار ما می‌گذارد که با استفاده از توانایی یادگیری شبکه‌ی عصبی، دانش مورد نیاز در مورد پدیده‌ی مورد نظر را بدون نیاز به شخص خبره، در قالب قوانین مناسب بیان کنیم.
همچنین سیستم اطلاعات مکانی در قالب سیستمی توانمند، فرایند جمع آوری، ذخیره، پردازش و بصری سازی داده‌های مکانی را تسهیل می‌بخشد. به علت اهمیت پیش‌بینی و مدلسازی مکانی پارامترهای کیفیت هوا، با بهره‌گیری از مزایای شبکه‌ی فازی-عصبی و GIS، دانش حاکم بر محیط را در قالب قوانین فازی، از داده‌ها استخراج نموده و با استفاده از این قوانین، آلودگی هوا پیش‌بینی و مدلسازی میشود.
برای این منظور از شبکه‌ی فازی- عصبی و GIS در قالب دو مدل متفاوت استفاده میگردد. در مدل اول برای آموزش شبکه، داده‌های آموزشی (شامل پارامترهای هواشناسی و غلظت مونوکسید‌کربن) با استفاده از روش زمین آمار (کریجینگ) ایجاد و به کار میرود. برای هر ایستگاه ناحیه‌ای در نظر گرفته و از داده‌های موجود در آن ناحیه برای آموزش آن استفاده میشود. برای هر ناحیه قوانین فازی ممدانی و سوگنو استخراج و قوانین ایجاد شده به هر پیکسل آن ناحیه اعمال و میزان آلاینده تخمین زده میشود.
در مدل دوم هر ایستگاه به طور جداگانه با استفاده از داده‌های خود آموزش داده شده و برای هر ایستگاه قوانین فازی ممدانی و سوگنو آن استخراج شده و با استفاده از این قوانین غلظت آلاینده تخمین زده میشود. به علت اینکه پیش‌بینی در نقاط ایستگاه‌ها صورت می‌گیرد، در نهایت برای مدلسازی مکانی غلظت از روش کریجینگ استفاده میگردد. برای انجام تست عملی، از داده‌های هواشناسی ایستگاه‌های واقع در سطح شهر استفاده میشود.
مدل اول با هدف به دست آوردن قوانین برای ناحیه توسعه داده شده که در این مدل گسستگی در نقشه ی غلظت آلاینده به دلیل کمبود ایستگاه های پایش و گستردگی ناحیه ها پایش هدف اصلی که اکتشاف دانش است، برای ناحیه مرتفع میشود.
در مدل دوم چون تعداد ایستگاه های پایش کم ، مدلی مناسب‌تر از نظر مدلسازی می باشد.
شبکه‌ی فازی- عصبی و GIS و اکتشاف دانش
فرایند WASPAS و ارجحیت منطق فازی در تعیین آسیب پذیری در GIS
مدل سازی روابط مکانمند در محیط GIS با اسفاده از استنتاج گری فازی
استفاده ,قوانین ,فازی ,ناحیه ,مدل ,شبکه‌ی ,استفاده از ,با استفاده ,در قالب ,فازی عصبی ,شبکه‌ی فازی
درباره این سایت