دراسة مقارنة للشبكات العصبية الاصطناعية ونظام الاستدلال العصبي الضبابي التكيفي للتنبؤ بمؤشر جودة الهواء
DOI:
https://doi.org/10.59743/jbs.v37i2.283الكلمات المفتاحية:
نظام الاستدلال العصبي الضبابي التكيفي (ANFIS)، مؤشر جودة الهواء (AQI)، التنبؤ بجودة الهواء، الشبكات العصبية الاصطناعية (ANN)الملخص
تهدف الدراسة إلى مقارنة أداء الشبكات العصبية الاصطناعية (ANN) ونظام الاستدلال العصبي الضبابي التكيفي (ANFIS) في التنبؤ بمؤشر جودة الهواء (AQI) ، يُعتبر مؤشر جودة الهواء أداةً مهمةً لتقييم مستوى التلوث في الهواء وتأثيره على صحة الإنسان، تم استخدام تقنيات الذكاء الاصطناعي لتحليل البيانات البيئية المعقدة التي تشمل ملوثات متعددة مثل الأوزون، وثاني أكسيد النيتروجين، وثاني أكسيد الكبريت، وأول أكسيد الكربون، والجسيمات الدقيقة. تم بناء نماذج ANN وANFIS واختبارها باستخدام مجموعة من البيانات البيئية الحقيقية، وتحتوي مجموعة البيانات على اكثر من 10,000 قراءة لجودة الهواء من مدن مختلفة في الهند، حيث تم تقييم دقة النماذج عن طريق مقارنة النتائج المتوقعة بقيم مؤشر جودة الهواء الفعلية. أظهرت نتائج الدراسة أن نظام ANFIS يتميز بقدرته على التعامل مع البيانات الغامضة والمعقدة بشكل أكثر فعالية من ANN، بينما ANN يكون أكثر ملاءمة عند التعامل مع البيانات المنظمة، أوصت الدراسة ببناء نماذج هجينة تجمع بين مزايا ANN و ANFIS، وتطبيق هذه النماذج التنبؤية الهجينة المطورة في أنظمة مراقبة البيئة الفعلية للمساهمة في تحسين دقة التنبؤات وتوفير معلومات أكثر موثوقية للمساعدة في اتخاذ القرارات لحماية البيئة والصحة العامة وتقليل الآثار السلبية لتلوث الهواء.
المراجع
B. D. Parameshachari, G. M. Siddesh, V. Sridhar, M. Latha, K. N. A. Sattar, and G. Manjula, "Prediction and analysis of air quality index using machine learning algorithms," in 2022 IEEE International Conference on Data Science and Information System (ICDSIS), 2022.
D. Iskandaryan, F. Ramos, and S. Trilles, "Air Quality Prediction in Smart Cities Using Machine Learning Technologies Based on Sensor Data: A Review," Appl. Sci., vol. 10, no. 7, p. 2401, 2020.
N. S. Gupta, Y. Mohta, K. Heda, R. Armaan, B. Valarmathi, and G. Arulkumaran, "Prediction of Air Quality Index Using Machine Learning Techniques: A Comparative Analysis," J. Environ. Public Health, vol. 2023, pp. 1–26, 2023.
H. Alkabbani, A. Ramadan, Q. Zhu, and A. Elkamel, "An Improved Air Quality Index Machine Learning-Based Forecasting with Multivariate Data Imputation Approach," Atmosphere, vol. 13, no. 7, p. 1144, 2022.
L. Shankar and K. Arasu, "Deep Learning Techniques for Air Quality Prediction: A Focus on PM2.5 and Periodicity," Migration Letters, vol. 20, no. S13, pp. 468-484, 2023.
K. Kumar and B. P. Pande, "Air pollution prediction with machine learning: a case study of Indian cities," Int. J. Environ. Sci. Technol., vol. 20, pp. 5333–5348, 2023.
N. H. Van, P. Van Thanh, D. N. Tran, and D.-T. Tran, "A new model of air quality prediction using lightweight machine learning," Int. J. Environ. Sci. Technol., vol. 20, pp. 2983–2994, 2023.
S. Kumari and M. K. Jain, "A Critical Review on Air Quality Index," in Environmental Pollution, vol. 77, pp. 205-225, Springer, Singapore, 2018.
R. J. Erb, "Introduction to Backpropagation Neural Network Computation," Pharm. Res., vol. 10, pp. 165–170, 1993.
J. S. R. Jang, "ANFIS: Adaptive-Network-Based Fuzzy Inference System," IEEE Trans. Syst., Man, Cybern., vol. 23, no. 3, pp. 665-685, 1993.
A. Jha, "Time series air quality data of India (2010-2023)," Kaggle, 2023. [Online]. Available: https://www.kaggle.com/datasets/abhisheksjha/time-series-air-quality-data-of-india-2010-2023.
التنزيلات
منشور
إصدار
القسم
الرخصة
الحقوق الفكرية (c) 2024 مجلة العلوم الأساسية
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
