دانلود مقاله ISI انگلیسی شماره 55350
ترجمه فارسی عنوان مقاله

مدل پیش بینی شبکه عصبی برای شدت گرمایی جزیره گرم در سئول

عنوان انگلیسی
The neural network predictive model for heat island intensity in Seoul
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
55350 2016 9 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Energy and Buildings, Volume 110, 1 January 2016, Pages 353–361

ترجمه کلمات کلیدی
جزیره گرم، شدت جزیره گرم، مدل شبکه عصبی، ایستگاه هواشناسی خودکار، سئول، مدل پیش بینی، عامل فیزیکی، فاکتور شهری، فاکتور هواشناسی
کلمات کلیدی انگلیسی
Heat island; Heat island intensity; Neural network model; Automatic weather station; Seoul; Prediction model; Physical factor; Urban factor; Meteorological factor
ترجمه چکیده
اثر بخشی جزیره گرمایی در شهرها به دلیل شهرنشینی و صنعتی شدن سریع تشدید می شود. این جزیره گرمسیری شهری دارای اثرات منفی مانند افزایش مصرف انرژی خنک کننده و کاهش کیفیت هوای شهری است. این مطالعه با هدف ایجاد یک مدل پیش بینی شده برای جزیره گرم در سئول، کره جنوبی با استفاده از شبکه های عصبی انجام شده است. برای ایجاد مدل پیش بینی شبکه عصبی، دمای هوای 28 محل در سئول به مدت یک سال از ایستگاه های آب و هوایی اتوماتیک اداره شده توسط اداره هواشناسی کره گرفته شده است. مدل شبکه عصبی ایجاد و آزمایش شده برای برآورد شدت گرمای جزر و مدی شهر با توجه به آلبیدو، پوشش ساختمان، ناحیه سبز، منطقه ساختمان، منطقه آب، سطح جاده، دما، رطوبت، سرعت و جهت باد و بارش. در نهایت نتایج پیش بینی شده از مدل شبکه عصبی با داده های اندازه گیری شده مقایسه شد. ضرایب همبستگی مدل های توسعه یافته از 0.95 تا 0.99 متغیر است. تجزیه و تحلیل همچنین نشان می دهد که مدل شبکه عصبی عملکرد پیش بینی بهتر نسبت به مدل رگرسیون چندگانه دارد.

چکیده انگلیسی

The heat island effect in cities becomes intensified due to rapid urbanization and industrialization. This urban heat island has negative effects such as increase in cooling energy use and impairment of urban air quality. This study aims to develop a predictive model for heat island in Seoul, Korea using neural networks. To create the neural network predictive model, air temperatures of 28 locations in Seoul for a year have been collected from automatic weather stations operated by the Korea Meteorological Administration. The neural network model was created and tested for estimating the urban heat island intensity according to albedo, building coverage, green area, building area, water area, road area, temperature, humidity, wind speed and direction, and precipitation. Finally, prediction results from the neural network model were compared with the measured data. The coefficients of correlation of the developed models range from 0.95 to 0.99. The analysis also indicates that the neural network model has better predictive performance compared to the multiple regression model.