Short-, Medium-, and Long-Term Prediction of Carbon Dioxide Emissions using Wavelet-Enhanced Extreme Learning Machine
محل انتشار: ژورنال مهندسی عمران، دوره: 9، شماره: 4
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 33
فایل این مقاله در 20 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_CEJ-9-4_004
تاریخ نمایه سازی: 2 اردیبهشت 1403
چکیده مقاله:
Carbon dioxide (CO۲) is the main greenhouse gas responsible for global warming. Early prediction of CO۲ is critical for developing strategies to mitigate the effects of climate change. A sophisticated version of the extreme learning machine (ELM), the wavelet enhanced extreme learning machine (W-EELM), is used to predict CO۲ on different time scales (weekly, monthly, and yearly). Data were collected from the Mauna Loa Observatory station in Hawaii, which is ideal for global air sampling. Instead of the traditional method (singular value decomposition), a complete orthogonal decomposition (COD) was used to accurately calculate the weights of the ELM output layers. Another contribution of this study is the removal of noise from the input signal using the wavelet transform technique. The results of the W-EELM model are compared with the results of the classical ELM. Various statistical metrics are used to evaluate the models, and the comparative figures confirm the superiority of the applied models over the ELM model. The proposed W-EELM model proves to be a robust and applicable computer-based technology for modeling CO۲concentrations, which contributes to the fundamental knowledge of the environmental engineering perspective. Doi: ۱۰.۲۸۹۹۱/CEJ-۲۰۲۳-۰۹-۰۴-۰۴ Full Text: PDF
کلیدواژه ها:
نویسندگان
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
