دانلود مقاله رمزگشایی ترافیک شهری موثر بر کیفیت هوا
ترجمه نشده

دانلود مقاله رمزگشایی ترافیک شهری موثر بر کیفیت هوا

عنوان فارسی مقاله: رمزگشایی از ترافیک شهری تاثیرگذار بر کیفیت هوا با استفاده از یادگیری عمیق و فهرست آلاینده ها
عنوان انگلیسی مقاله: Deciphering urban traffic impacts on air quality by deep learning and emission inventory
مجله/کنفرانس: Journal of Environmental Sciences - مجله علوم زیست محیطی
رشته های تحصیلی مرتبط: محیط زیست - مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: آلودگی هوا - هوش مصنوعی
کلمات کلیدی فارسی: پیش بینی غلظت PM25، آلاینده های ترافیک، یادگیری عمیق، مکانیسم توجه، ماشین های جدید انرژی
کلمات کلیدی انگلیسی: PM2.5 concentration forecast, Traffic emissions, Deep learning, Attention mechanism, New energy vehicles
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: JCR - Master Journal List - Scopus - Medline
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.jes.2021.12.035
نویسندگان: Wenjie Du - Lianliang Chen - Haoran Wang - Ziyang Shan - Zhengyang Zhou - Wenwei Li - Yang Wang
دانشگاه: University of Science and Technology of China, Hefei, China
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2023
ایمپکت فاکتور: 5.826 در سال 2020
شاخص H_index: 99 در سال 2021
شاخص SJR: 1.316 در سال 2020
شناسه ISSN: 1001-0742
شاخص Quartile (چارک): Q1 در سال 2020
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 13
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: دارد، جدول 1 صفحه 3
آیا این مقاله فرضیه دارد: ندارد
کد محصول: E16197
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
نوع رفرنس دهی: vancouver
فهرست مطالب (ترجمه)

چکیده


مقدمه


مواد و روش ها


نتایج و بحث


نتیجه گیری


مطالب تکمیلی


منابع

فهرست مطالب (انگلیسی)

Abstract


Introduction


Material and methods


Results and discussion


Conclusions


Acknowledgments


Supplementary materials


Reference

بخشی از مقاله (ترجمه ماشینی)

چکیده


     آلودگی هوا یک مانع بزرگ برای پایداری آینده است و آلودگی ترافیک به یک مشکل بزرگ در توسعه پایدار کلان شهرهای آینده تبدیل شده است. در اینجا، همراه با حجم زیادی از داده‌های پایش همزمان، یک مدل یادگیری عمیق به نام iDeepAir را برای پیش‌بینی غلظت PM2.5 سطح سطحی در کلان شهر شانگهای و پیوند خلاقانه با فهرست انتشار MEIC برای رمزگشایی اثرات ترافیک شهری بر کیفیت هوا پیشنهاد می‌کنیم. مدل ما در باز تولید غلظت آلاینده ها وفاداری بالایی را نشان می دهد و MAE را از 25.355 میکروگرم بر متر مکعب به 12.283 میکروگرم بر متر مکعب در مقایسه با مدل های دیگر کاهش می دهد و با شناسایی رتبه بندی عوامل اصلی، شرایط جوی محلی به یک عامل غیر قابل چشم پوشی تبدیل شده است. انتشار لایه ای (LRP) در اینجا برای افزایش تفسیر پذیری مدل استفاده می شود و ما دلایل همبستگی مختلف بین تراکم ترافیک و غلظت PM2.5 را در مناطق مختلف شانگهای تجسم و تجزیه و تحلیل می کنیم. در همین حال، با اجرای دقیق و موثر اندازه‌گیری‌های کاهش انتشار صنعتی در چین، سهم ترافیک شهری در تشکیل PM2.5 محاسبه شده با ترکیب موجودی انتشار MEIC و LRP به تدریج از 18.03 درصد در سال 2011 به 24.37 درصد در سال 2017 در شانگهای افزایش می‌یابد. طبق پیش‌بینی ما، تأثیر انتشارات ترافیک در سال 2030 برجسته خواهد بود. ما همچنین استنباط می‌کنیم که ارتقای برق‌رسانی وسایل نقلیه باعث کاهش بیشتر PM2.5 در حدود 8.45 درصد تا سال 2030 به تدریج خواهد شد. این بینش ها برای ارائه مبنای تصمیم گیری برای مدیریت ترافیک دقیق و کارآمد و کنترل آلودگی شهری و در نهایت به نفع زندگی مردم و توسعه پایدار با کیفیت بالا شهرها اهمیت زیادی دارند.


توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.

بخشی از مقاله (انگلیسی)

Abstract


     Air pollution is a major obstacle to future sustainability, and traffic pollution has become a large drag on the sustainable developments of future metropolises. Here, combined with the large volume of real-time monitoring data, we propose a deep learning model, iDeepAir, to predict surface-level PM2.5 concentration in Shanghai megacity and link with MEIC emission inventory creatively to decipher urban traffic impacts on air quality. Our model exhibits high-fidelity in reproducing pollutant concentrations and reduces the MAE from 25.355 μg/m3 to 12.283 μg/m3 compared with other models. And identifies the ranking of major factors, local meteorological conditions have become a nonnegligible factor. Layer-wise relevance propagation (LRP) is used here to enhance the interpretability of the model and we visualize and analyze the reasons for the different correlation between traffic density and PM2.5 concentration in various regions of Shanghai. Meanwhile, As the strict and effective industrial emission reduction measurements implementing in China, the contribution of urban traffic to PM2.5 formation calculated by combining MEIC emission inventory and LRP is gradually increasing from 18.03% in 2011 to 24.37% in 2017 in Shanghai, and the impact of traffic emissions would be ever-prominent in 2030 according to our prediction. 


Introduction


     Air pollution is a large obstacle to the world's future sustainable developments, and millions of people die from air pollution-related diseases every year around the world (Zheng et al., 2017). This is seriously severe in some developing countries like China (Lelieveld et al., 2015), which has the highest country-level values globally for the population-weighted annual average concentration of PM2.5 (Tichenor and Sridhar, 2019; Zhang et al., 2012) and has been a major public health concern in recent years (Li et al., 2019a) . Shanghai, one of the most developed and populous cities in China, has suffered severe increasing haze episodes mostly attributed to the severe particle pollution especially fine particles (particles ≤2.5μm in aerodynamic diameter; PM2.5)(Han et al., 2020) since 1990s with the rapid urbanization and industrialization (Wang et al., 2015) . Under these circumstances, air pollution-related diseases have emerged gradually, such as respiratory diseases in the elderly and preterm birth and low birth weight for birth when maternal exposure to PM2.5 in Shanghai(Li et al., 2019a; Liu et al., 2017) .


Conclusions


     In this article, we propose a novel method to quantify the influence of anthropogenic emissions on PM2.5 concentration with a novel and traceable deep learning model. Our experiment results indicate that the proposed model could achieve better fitting and prediction performances than the LSTM, GBRT, Seq2Seq, DA-RNN model and other deep learning models. Furthermore, we output the contributions of input parameter to the prediction in LRP method and visualize and analyze the spatial correlation between traffic flow and PM2.5.


     In addition, we discover that transportation emissions will play the most dominate role in future urban air pollution, and how to reduce traffic emissions are an unavoidable issue on achieving sustainable developments in modern cities. Meanwhile, to some extent, new energy vehicles can be considered as an effective way to reduce traffic emissions. However, the current promotion policies and efforts are far from enough. To further improve urban air quality, we need some more effective and powerful measurements in response to the rapid growth of urban traffic emissions.

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است