پديد آورندگان :
عالي محمودي سراب، سجاد دانشگاه علوم كشاورزي و منابع طبيعي گرگان - گروه جنگلداري , معيري، محمد هادي دانشگاه علوم كشاورزي و منابع طبيعي گرگان - گروه جنگلداري , شتايي جويباري، شعبان دانشگاه علوم كشاورزي و منابع طبيعي گرگان - گروه جنگلداري , راشكي، عليرضا دانشگاه فردوسي مشهد - گروه بيابان
كليدواژه :
رگرسيون جنگل تصادفي , برآورد غلظت ريزگرد , متغير هاي هواشناسي , آلودگي هوا
چكيده فارسي :
در چند سال اخير ميزان ريزگردها و ديگر آلاينده هاي هوا در استان هاي جنوبي و جنوب غربي ايران افزايش چشمگيري يافته است. يكي از مهمترين متغيرهايي كه در اين زمينه مورد بررسي قرار مي گيرد مقدار PM10 مي باشد. با توجه به ضرورت برآورد و پيش بيني آسان تر و كم هزينه تر اين متغير، در تحقيقات مختلف از روش هاي آماري متفاوتي به بررسي رابطه آن با ديگر متغيرها پرداخته اند. هدف اين تحقيق بررسي رابطه بين متغيرهاي آب و هوايي شامل دماي هوا (حداكثر، متوسط و حداقل) ، رطوبت نسبي (حداكثر، متوسط و حداقل) ، بارندگي روزانه، ديد افقي، جهت و سرعت باد با داده هاي متغير آلودگي هوا (PM10) طي دوره آماري 4 ساله (1387 تا 1390) با استفاده از روابط همبستگي و برآورد PM10 با استفاده از مدل آماري جنگل تصادفي بود. براي انجام اين تحقيق داده هاي هواشناسي و داده هاي PM10 به ترتيب از ايستگاه هاي سينوپتيك هواشناسي و ايستگاه پايش آلودگي هواي شهر اهواز اخذ شد. براي رسيدن به اهداف تحقيق آناليز هاي مختلفي نيز انجام شد. ابتدا باتوجه به نرمال نبودن داده ها، براي بررسي همبستگي بين داده هاي PM10 و داده هاي آب و هوايي و تعيين متغيرهاي مستقل موثر در برآورد ميزان غلظت آن از ضريب همبستگي اسپيرمن استفاده شد. نتايج نشان داد كه متغيرهاي ديد افقي و حداقل دما به ترتيب با -0.376, +0.349 بيشترين و بارندگي با 0.077- كمترين همبستگي را با متغير PM10 از خود نشان دادند. نتايج رگرسيون جنگل تصادفي نيز نشان داد كه مهمترين متغير تاثيرگذار در برآورد ميزان PM10، متغير ديد افقي و سپس متغير دماي حداقل مي باشد. ضريب تبيين بدست آمده با استفاده از داده هاي مشاهده شده و برآورد شده در سطح معني داري 99 درصد برابر (47/0 R2=) بدست آمد. آناليز درخت سلسله مراتبي نشان داد كه از كل داده هاي متغيرهاي رطوبت نسبي حداكثر، رطوبت نسبي حداقل و دماي حداقل به ترتيب، 396 داده (>0.205 %) ، 389 داده (>0.305 %) و 387 داده (>5/5 درجه سلسيوس) ، قابليت تفكيك شدن را نشان دادند و متغير رطوبت نسبي حداكثر در سطح اول قرار گرفت. بطور كلي اين تحقيق نشان داد كه در پيش بيني ميزان PM10 مي توان از داده هاي ديد افقي و حداقل دماي محيط استفاده و با بكارگيري مدل رگرسيون جنگل تصادفي به نتيجه مناسب رسيد.
چكيده لاتين :
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.
