مدل سازي و پيش بيني وضعيت آلاينده هاي هواي شهر تهران كاربرد مدل خود رگرسيوني با ويژگي حافظه بلندمدت

Modeling and Forecasting Air Pollution of Tehran Application of Autoregressive Model with Long Memory

زمينه و هدف: مدل‌سازي آلاينده‌هاي زيست محيطي يكي از نيازهاي اساسي در زمينه پايش كيفيت هوا محسوب مي شود كه با بهره‌گيري از نتايج حاصله مي‌توان اقدامات پيشگيرانه‌اي جهت بهبود شرايط آتي اتخاذ كرد. ادبيات موجود در زمينه الگوسازي آلاينده‌هاي زيست محيطي را مي توان به دو دسته كلي تقسيم كرد، دسته اول شامل مطالعاتي مي‌شود كه علاوه بر داده‌هاي مربوط به آلاينده‌ها با وارد كردن عوامل محيطي از قبيل دماي هوا، جهت وزش باد، سرعت وزش باد و ميزان رطوبت، وضعيت انتشار را مورد بررسي قرار داده اند. دسته دوم مطالعات - كه تحقيق حاضر در اين دسته مي گنجد - با استفاده از الگوهاي رگرسيون سري هاي زماني و غالباً با استفاده از داده‌هاي موجود هر آلاينده، پيش‌بيني وضعيت آتي آن را مد نظر قرار داده‌اند. روش بررسي: در اين مقاله با استفاده از سه الگوي ARIMA(AutoRegressive Integrated Moving Average) ، ARFIMA(AutoRegressive Fractionaly Integrated Moving Average)و ARIMA-GARCH(Generalized AutoRegressive Conditional Heteroskedasticity) و رويكرد باكس - جنكينز وضعيت آتي آلاينده‌هاي CO ، PM10 ،NO2 ،SO2 ،O3 و PM2.5 در شهر تهران پيش‌بيني شد و در مورد هر آلاينده بهترين مدل بر اساس معيارهاي MSE(Mean Squared Error)،RMSE(Root Mean Squared Error) ،MAE(Mean Absolute Error) و (MAPE Mean Absolute Percent Error) معرفي گرديد. يافته ها: آن چه اين مطالعه را از مطالعات قبلي متمايز مي سازد، مد نظر قرار دادن ويژگي حافظه بلندمدت و مقايسه دقت خروجي مدل مربوطه با الگوهاي رايج خود رگرسيوني است. نتايج نشان مي‌دهد كه فرض وجود حافظه بلندمدت پذيرفته خواهد شد، ولي اين كه بهترين پيش بيني‌ها همواره توسط مدل ARFIMA ارايه مي‌شود، رد مي ­شود. بحث و نتيجه گيري: اين مطالعه كاربرد مدل‌هاي اقتصادسنجي را براي پيش‌بيني وضعيت آلاينده‌ها اثبات مي‌كند. براين اساس توصيه مي‌شود با توجه به هزينه ­هاي اجتماعي بالاي انتشار آلاينده ها، با بكارگيري اين الگوها، آلاينده‌هاي تأثيرگذار بر آينده هواي شهر شناسايي و در جهت كاستن از سطح انتشار آن­ها طرح‌هاي كارآمدي پياده شود.

Background and Objective: Environmental pollution modeling is one of the essential requirements in the field of air quality monitoring which with using the output of the model, improvement of future situation can be possible. The existing literature of the modeling of environmental pollution –especially air pollutants- could be divided to two whole categories. First, those researches that in addition of pollutants data, they used some factors such as temperature, wind direction, wind speed and humidity. The second one –which this study belong to- with using time series regression models and by usage of the existing data about each pollutant, the future situation was forecasted. Method: In this study, we forecast future pollutants (CO,PM10,NO2,SO2,O3,PM2.5) status with ARIMA, ARFIMA and ARIMA-GARCH models with Box-Jenkins approach, then the best model is determined with MSE, RMSE, MAE and MAPE. Findings: Results indicate that the assumption of existence of long-memory is acceptable but the hypothesis that always ARFIMA models prepare the best forecast is rejected. Discussion and Conclusion: This study proves the application of econometric models to predict the pollutants state. Based on the high social costs of pollutant emissions, it is recommended that using these models, identify the pollutants affecting the future of the city and reduce the level of their dissemination of efficiency plans.