برآورد غلظت ریزگردها با استفاده از متغیرهای آب و هوایی (مطالعه موردی: شهرستان اهواز)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری / دانشگاه علوم کشاورزی و منابع طبیعی گرگان

2 عضو هیات علمی دانشگاه علوم کشاورزی و منابع طبیعی گرگان

3 عضو هیات علمی / دانشگاه علوم کشاورزی و منابع طبیعی گرگان

4 عضو هیات علمی / دانشگاه فردوسی مشهد

چکیده

ددر چند سال اخیر میزان ریزگردها و دیگر آلاینده‌های هوا در استان های جنوبی و جنوب‌غربی ایران افزایش چشمگیری یافته است. یکی از مهمترین متغیرهایی که در این زمینه مورد بررسی قرار می‌گیرد مقدار PM10 می‌باشد. با توجه به ضرورت برآورد و پیش بینی آسان‌تر و کم هزینه‌تر این متغیر، در تحقیقات مختلف از روش‌های آماری متفاوتی به بررسی رابطه آن با دیگر متغیرها پرداخته‌اند. هدف این تحقیق بررسی رابطه بین متغیرهای آب و هوایی شامل دمای هوا (حداکثر، متوسط و حداقل)، رطوبت نسبی (حداکثر، متوسط و حداقل)، بارندگی روزانه، دید افقی، جهت و سرعت باد با داده‌های متغیر آلودگی هوا (PM10) طی دوره آماری 4 ساله (1387 تا 1390) با استفاده از روابط همبستگی و برآورد PM10 با استفاده از مدل آماری جنگل تصادفی بود. برای انجام این تحقیق داده‌های هواشناسی و داده‌های PM10 به ترتیب از ایستگاه‌های سینوپتیک هواشناسی و ایستگاه‌ پایش آلودگی هوای شهر اهواز اخذ شد. برای رسیدن به اهداف تحقیق آنالیز‌های مختلفی نیز انجام شد. ابتدا باتوجه به نرمال نبودن داده‌ها، برای بررسی همبستگی بین داده‌های PM10 و داده‌های آب و هوایی و تعیین متغیرهای مستقل موثر در برآورد میزان غلظت آن از ضریب همبستگی اسپیرمن استفاده شد. نتایج نشان داد که متغیرهای دید افقی و حداقل دما به ترتیب با 376/0- و 349/0+ بیشترین و بارندگی با 077/0- کمترین همبستگی را با متغیر PM10 از خود نشان دادند. نتایج رگرسیون جنگل تصادفی نیز نشان داد که مهمترین متغیر تاثیرگذار در برآورد میزان PM10، متغیر دید افقی و سپس متغیر دمای حداقل می‌باشد. ضریب تبیین بدست آمده با استفاده از داده‌های مشاهده شده و برآورد شده در سطح معنی‌ داری 99 درصد برابر (47/0 R2=) بدست آمد. آنالیز درخت سلسله مراتبی نشان داد که از کل داده‌های متغیرهای رطوبت نسبی حداکثر، رطوبت نسبی حداقل و دمای حداقل به ترتیب، 396 داده (>205/0 درصد)، 389 داده (>305/0 درصد) و 387 داده (>5/5 درجه سلسیوس) ، قابلیت تفکیک شدن را نشان دادند و متغیر رطوبت نسبی حداکثر در سطح اول قرار گرفت. بطور کلی این تحقیق نشان داد که در پیش‌بینی میزان PM10 می‌توان از داده‌های دید افقی و حداقل دمای محیط استفاده و با بکارگیری مدل رگرسیون جنگل تصادفی به نتیجه مناسب رسید.

کلیدواژه‌ها


عنوان مقاله [English]

The Estimate of Dust Concentration Using of Weather Variable (A Case study: Ahvaz City)

نویسندگان [English]

  • Sajad Alimahmoodi Sarab 1
  • Shaban Shataee Jouybari 3
  • Alireza Rashki 4
1 PhD Student / Gorgan University of Agriculture and Natural Resources
2 Faculty member/ University of Gorgan University
3 Faculty Member / Gorgan University of Agricultural Sciences and Natural Resources
4 Faculty Member / Ferdowsi University of Mashhad
چکیده [English]

The amount of dust and other air pollutants have increased during recent years. The PM10 is one of the most important variables that is used for monitoring and assessment of dust pollution. To predict PM10, different studies have used various statistical methods. In this study, two aims were pursuit: 1) Using of Spearman analysis to determine the relation between PM10 and weather variables such as temperature (maximum, average, minimum), relative Humid (maximum, average, minimum), rain, wind (speed and direction), and visibility, and 2) prediction of PM10 with using of Random Forest model on daily data (in a period study: 2008 to 2011). The results of Spearman analysis were shown that PM10 had most relation with visibility and minimum temperature and least relation with rain, -0.376, +0.349, and -0.077, respectively. In addition, Random Forest analysis was shown that for prediction of PM10, visibility and minimum temperature were very important. Fitting curve between observed and prediction data was shown a medium correlation with Y=0.1686x +183.49 and R2=47/0, sig=0.99. Final sequence of trees of random forest was shown that of all data, just maximum and minimum of relative humid and minimum of temperature were able to classification with 396 (>0.205 %), 389(>0.305 %), and 387 (>5.5 oC) data for each variable, respectively.

کلیدواژه‌ها [English]

  • Air pollution
  • weather variables
  • estimate of dust concentration
  • Random Forest regression