چکیده:
توجّه به آثار زیست محیطی در تولید محصولات کشاورزی میتواند درراستای مدیریت پایدار کشاورزی بسیار مفید باشد. شناخت رفتارهای زیستی در تولید آلایندهها میتواند نقش مهمّی در کاهش اثرات سوء آلودگی هوا داشته باشد. روش رگرسیون لجستیک بهعنوان روش توسعهیافتة خطّی، بهمنظور پیشبینی آلودگی هوا بهشمار میرود؛ تحلیل سری زمانی پارامترهای اثرگذار بر آلایندههای هوا و پرداختن به این موضوع که برای پیشبینی میزان آلایندهها در یک گام زمانی جلوتر، به چه تعداد داده در زمانهای قبلی نیاز است، مسئلهای است که کمتر بررسی شده است. هدف پژوهش حاضر آن است که با مدلسازی فرایند پنج آلایندة مهم شامل مونوکسید کربن، ازون، ذرّات معلّق با قطر کمتر از ده میکرومتر، دیاکسید گوگرد و دیاکسید نیتروژن در استان مازندران با استفاده از روش رگرسیون لجستیک و تحلیل سریهای زمانی، میزان کارایی و انعطافپذیری روشهای بهکار گرفتهشده در مدلسازی و پیشبینی این آلایندهها را بررسی کند. در نوشتار پیش رو، دادههای هواشناسی از ایستگاههای رامسر، آمل، بابلسر و نوشهر و دادههای آلودگی هوا از ایستگاههای گلوگاه، قائمشهر، ساری و کیاسر بهصورت روزانه در نیمسال دوم 1396 و سال 1397 دریافت شده که میانگین آنها در تجزیه و تحلیل دادهها استفاده شده است. نتایج نشان داد که NO2 و CO ایستگاه گلوگاه و O3 ایستگاه کیاسر و SO2، NO2 و CO ایستگاههای آلودگی ساری و قائمشهر بهطور کامل با پارامترهای دما، رطوبت نسبی و سرعت باد ارتباط معنیداری دارند که بیانگر تاثیر این پارامترها در تغییر غلظت آلایندههای پیشگفته است؛ همچنین براساس الگوهای توابع یکمتغیّرة معادلات رگرسیونها، فرمولهای معتبری برای تخمین روابط لجستیک بین آلایندهها و پارامترهای هواشناسی استخراج شد که براساس آن، با داشتن پارامترهای هواشناسی در ایستگاهها، بهراحتی میتوان میزان آلودگی منطقه را پیش بینی کرد.
Paying attention to environmental effects on the production of agricultural
yields can be very useful in the direction of sustainable agricultural
management. Understanding biological behaviors in the production of
pollutants can play an important role in reducing the adverse effects of air
pollution. Logistic regression method is considered as a linear developed
method to predict air pollution; Time series analysis of parameters affecting
air pollutants and addressing how much data is needed in previous times to
predict the amount of pollutants one step ahead is an issue that has been less
studied. The current study aims to model the process of five important
pollutants including carbon monoxide (CO), ozone (O3), particulate matter
less than 10 μm in diameter (PM10), sulfur dioxide (SO2) and nitrogen
dioxide (NO2) in Mazandaran province, using logistic regression method
and time series analysis, to examine the efficiency and flexibility of the
methods used in modeling and forecasting these pollutants. In this study,
meteorological data from Ramsar, Amol, Babolsar and Nowshahr stations
and air pollution data from Gulogah, Ghaemshahr, Sari and Kiasar stations
were received daily in the second half of 2017 and 2018, the average of
which has been used in data analysis. The findings reveal that NO2 and CO
of Gulogah station and O3 of Kiasar station and SO2, NO2 and CO of Sari
and Ghaemshahr pollution stations are completely related to the parameters
of temperature, relative humidity and wind speed, which indicates the effect
of these parameters on changing the concentration of these pollutants.
Moreover, based on the patterns of univariate functions of regression
equations, valid formulas for estimating logistic relationships between
pollutants and meteorological parameters were extracted, according to
which, having meteorological parameters in stations, it is easy to predict the
pollution of the region.
خلاصه ماشینی:
نتايج نشان داد کـه NO٢ و CO ايسـتگاه گلوگـاه و O٣ ايسـتگاه کياسـر و SO٢، NO٢ و CO ايستگاه هاي آلودگي ساري و قائم شهر به طور کامل با پارامترهاي دما، رطوبت نسبي و سـرعت بـاد ارتباط معنيداري دارند که بيانگر تأثير اين پارامترها در تغيير غلظت آلاينده هاي پيش گفته است ؛ با استفاده از همچنين براساس الگوهاي توابع يک متغيرٔە معـادلات رگرسـيون هـا، فرمـول هـاي معتبـري بـراي تخمين روابط لجستيک بين آلاينده ها و پارامترهاي هواشناسي استخراج شد کـه براسـاس آن ، بـا doi داشتن پارامترهاي هواشناسي در ايستگاه ها، به راحتي ميتوان ميزان آلودگي منطقه را پيش بينـي کرد.
در اين پژوهش ها از روش زنجيرٔە مارکوف مونت کارلو MCMC٢١ بـه منظـور تعيـين پارامترهـا 1- Zheng & Shi 2- Chowdhury 3- Interpolation Methods 4- Sueyoshi & Yuan 5- Perera 6- Genetic algorithm 7- Principal Component Analysis (PCA) 8- Radial Basis Function (RBF) 9- Bollen 10- Mishra 11- Rao 12- Robarge & Benforado 13- Yu 14- Multi Layer Perceptron (MLP) 15- Support Vector Machine (SVM) 16- General Regression Neural Network (GRNN) 17- Elman 18- Kaab 19- Zavala 20- Almaraz 21- Markov Chain Monte Carlo (MCMC) استفاده شده است (چلينگاريان ١ و همکاران ، ٢٠١٨؛ آزيد٢ و همکاران ، ٢٠١٤).