Skip to main content
فهرست مقالات

مدل سازی و پیش بینی وضعیت آلاینده های هوای شهر تهران کاربرد مدل خود رگرسیونی با ویژگی حافظه بلندمدت مقاله

نویسنده:

چکیده:

زمینه و هدف: مدل‌سازی آلاینده‌های زیست محیطی یکی از نیازهای اساسی در زمینه پایش کیفیت هوا محسوب می شود که با بهره‌گیری از نتایج حاصله می‌توان اقدامات پیشگیرانه‌ای جهت بهبود شرایط آتی اتخاذ کرد. ادبیات موجود در زمینه الگوسازی آلاینده‌های زیست محیطی را می توان به دو دسته کلی تقسیم کرد، دسته اول شامل مطالعاتی می‌شود که علاوه بر داده‌های مربوط به آلاینده‌ها با وارد کردن عوامل محیطی از قبیل دمای هوا، جهت وزش باد، سرعت وزش باد و میزان رطوبت، وضعیت انتشار را مورد بررسی قرار داده اند. دسته دوم مطالعات -که تحقیق حاضر در این دسته می گنجد- با استفاده از الگوهای رگرسیون سری های زمانی و غالباً با استفاده از داده‌های موجود هر آلاینده، پیش‌بینی وضعیت آتی آن را مد نظر قرار داده‌اند. روش بررسی: در این مقاله با استفاده از سه الگوی ARIMA(AutoRegressive Integrated Moving Average) ، ARFIMA(AutoRegressive Fractionaly Integrated Moving Average)و ARIMA-GARCH(Generalized AutoRegressive Conditional Heteroskedasticity) و رویکرد باکس-جنکینز وضعیت آتی آلاینده‌های CO ، PM10 ،NO2 ،SO2 ،O3 و PM2.5در شهر تهران پیش‌بینی شد و در مورد هر آلاینده بهترین مدل بر اساس معیارهای MSE(Mean Squared Error)،RMSE(Root Mean Squared Error) ،MAE(Mean Absolute Error)  و MAPE(Mean Absolute Percent Error) معرفی گردید. یافته ها: آن چه این مطالعه را از مطالعات قبلی متمایز می سازد، مد نظر قرار دادن ویژگی حافظه بلندمدت و مقایسه دقت خروجی مدل مربوطه با الگوهای رایج خود رگرسیونی است. نتایج نشان می‌دهد که فرض وجود حافظه بلندمدت پذیرفته خواهد شد، ولی این که بهترین پیش بینی‌ها همواره توسط مدل ARFIMA ارایه می‌شود، رد می­شود. بحث و نتیجه گیری: این مطالعه کاربرد مدل‌های اقتصادسنجی را برای پیش‌بینی وضعیت آلاینده‌ها اثبات می‌کند. براین اساس توصیه می‌شود با توجه به هزینه­های اجتماعی بالای انتشار آلاینده ها، با بکارگیری این الگوها، آلاینده‌های تأثیرگذار بر آینده هوای شهر شناسایی و در جهت کاستن از سطح انتشار آن­ها طرح‌های کارآمدی پیاده شود.

کلیدواژه ها:

پیش بینی ، حافظه بلندمدت ، مدل خودرگرسیونی هم انباشته کسری(ARFIMA) ، آزمون GPH ، آزمون R/S اصلاح شده


برای مشاهده محتوای مقاله لازم است ورود پایگاه شوید. در صورتی که عضو نیستید از قسمت عضویت اقدام فرمایید.

لمشاهدة محتوی المقال یلزم الدخول إلی دخول الموقع.
إن كنت لا تقدر علی شراء الاشتراك عبرPayPal أو بطاقة VISA، الرجاء ارسال رقم هاتفك المحمول إلی مدير الموقع عبر credit@noormags.ir.

You should become a Sign in to be able to see articles.
If you fail to purchase subscription via PayPal or VISA Card, please send your mobile number to the Website Administrator via credit@noormags.ir.