واکاوی رابطه میان PM10، PM2.5 با دید افقی به تفکیک کد همدیدی با کاربست الگوریتم ژنتیک در شهریزد | ||
| خشک بوم | ||
| مقاله 7، دوره 8، شماره 2، بهمن 1397، صفحه 77-90 اصل مقاله (1.01 M) | ||
| نوع مقاله: مقاله علمی | ||
| شناسه دیجیتال (DOI): 10.29252/aridbiom.2019.1406 | ||
| نویسندگان | ||
| مهدی دهقان1؛ کمال امیدوار2؛ غلامعلی مظفری3؛ احمد مزیدی3؛ مهران فاطمی* 4 | ||
| 1دکترای مخاطرات آب و هوایی، گروه جغرافیا، دانشکده علوم انسانی، دانشگاه یزد | ||
| 2استاد اقلیم شناسی، گروه جغرافیا، دانشکده علوم انسانی، دانشگاه یزد | ||
| 3دانشیار اقلیم شناسی، گروه جغرافیا، دانشکده علوم انسانی، دانشگاه یزد | ||
| 4استادیار اقلیم شناسی، گروه جغرافیا، دانشکده علوم انسانی، دانشگاه میبد | ||
| چکیده | ||
| ذرات معلق با قطر کمتر از 5/2 میکرون (PM2.5)، از 5/2 تا ده میکرون (PM10) و دید افقی، به عنوان سه فراسنج مهم در پژوهشهای مرتبط با ریزگردها و گرد و غبارهای تروپوسفری شناخته میشوند که آلودگی هوا تا اندازهی زیادی وابسته به مقدار آنها در زمان است. هدف از این پژوهش، برآورد رابطهی میان فراسنجهای PM10، PM2.5 و دید افقی را با کاربست الگوریتم تکاملی ژنتیک است. منطقهی مورد بررسی شهر یزد در جایگاه نمایندهی ایران مرکزی بوده است. دادههای PM2.5 و دید افقی به تفکیک شرایط همدیدی کدهای 05، 06، 07 و 09 در یک بازه زمانی پنج ساله (2010 تا 2015) از دفاتر سینوپتیک اداره کل هواشناسی استان یزد، و دادههای PM10 از ایستگاههای پایش آلودگی هوا وابسته به اداره کل محیط زیست استان یزد گرفته شده است. برای رسیدن به روابط ریاضی گفته شده، معادله خط رگرسیون، و توابع ویبول، گویا، توانی، چند جمله‌ای، نمایی، خطی، فوریر و گوسین مورد همسنجی قرار گرفتند؛ که بر اساس مجموع و میانگین مربعات خطای نسبی و همچنین ضریب همبستگی، تابع چند جمله‌ای به عنوان مناسبترین تابع برازندگی گزینش گردید. دستآوردهای این پژوهش، ارائهی چهار تابع و رابطهی ریاضی بر پایهی مدل خطی تابع چند جمله‌ای با سطح اطمینان 95 درصد در زمینه گرد و غبار و ریزگردها، برای برآورد روابط ریاضی میان PM10، PM2.5 و دید افقی در حالت فراگیر؛ و همچنین هنگام رخداد کدهای همدید 05، 06 و 07 است. | ||
| کلیدواژه‌ها | ||
| PM10؛ PM2.5؛ دید افقی؛ الگوریتم ژنتیک؛ تابع چند جمله‌ای؛ یزد | ||
| عنوان مقاله [English] | ||
| Assessment of relationship between PM10, PM2.5 and visibility in separation of synoptic codes, using Genetic Algorithm in Yazd | ||
| نویسندگان [English] | ||
| M. Dehghan1؛ K. Omidvar2؛ Gh. Mozaffari3؛ A. Mazidi3؛ M. Fatemi4 | ||
| 1PhD Student of Climatological Hazards, Faculty of Geographical Sciences, Yazd University | ||
| 2Professor of Climatology, Faculty of Geographical Sciences, Yazd University | ||
| 3Associate Professor of Climatology, Faculty of Geographical Sciences, Yazd University | ||
| 4Assistant Professor of Climatology, Meybod University, Iran | ||
| چکیده [English] | ||
| PM2.5, (PM10) and visibility are known as three important parameters in researches connected to the tropospheric aerosols and dusts, so that the air pollution is related to those at the specific time. The aim of this study is analyzing the relationship between PM2.5, PM10 and visibility whit using evolutional Genetic Algorithm. The area’s case study was Yazd city as representative of central of Iran. PM2.5s data and also visibilities data whit separation of 05, 06, 07 and 09 synoptic conditions, for 5 years (2010-2015) from Yazd Meteorology Organization; and PM10 data from air pollution control stations connected to Yazd Environment Organization has been catches. To reach mentioned mathematic relations, liner regression equation, and Weibull, Rational, Power, Polynomial, Exponential, Liner, Fourier and Gaussian functions has been comparison; which based on relative and Sum Square Error and also coefficient correlation, Polynomial function selects as the best fitness function. The results of this research were four equation based on liner model of Polynomial function in 95% confidence level, for estimating the relations between PM2.5, PM10 and visibility in general; and also when to happen 05, 06 and 07 synoptic conditions. | ||
| کلیدواژه‌ها [English] | ||
| PM10, PM2.5, Visibility, Genetic Algorithm, Polynomial function, Yazd | ||
| مراجع | ||
|
[1]. Chepil, W.S., & Woodruff, N.P. (1957). Sedimentary characteristics of dust storms: visibility and dust concentration. American Journal of science, 255, PP 104-114.
[2]. Davor, A., Viktor, P., Dragan, P., Mirjana, R., & Aleksandra, P. (2013). PM10 emission forecasting using artificial neural networks and genetic algorithm input variable optimization. Science of the Total Environment, 443, 511–519.https://doi.org/10.1016/j.scitotenv.2012.10.110.
[3]. Dayan, U., Ziv, B., Shoob, T., Enzel, Y. (2008). Suspended dust over southeastern Mediterranean and its relation to atmospheric circulations. International Journal of Climatology, 28, 915–924.https://doi.org/10.1002/joc.1587.
[4]. Dehghan M., Omidvar K., Mozafari G.A., Mazidi A. (2018). Assessment of relationship between PM10 and AOD as important parameters in researches connected to aerosols; using Genetic Algorithm in Yazd. 4th National Conference on Wind Erosion and Dust Storms. Iran. Yazd University, 7-8 March. [5]. Dehghan M., Omidvar K., Mozafari G.A., Mazidi A. (2018). Assessment of relationship between PM10 and Visibilityin separation of synoptic codes; using Genetic Algorithm in Yazd. 4th National Conference on Wind Erosion and Dust Storms. Iran. Yazd University, 7-8 March. [6]. Dimitris, V., Kostas, K., Jaakko, K., Teemu, R., Ari, K., Mikko, K. (2011). Inter-comparison of air quality data using principal component analysis, and forecasting of PM10 and PM2.5 concentrations using artificial neural networks. In Thessaloniki and Helsinki. Science of the Total Environment, 409, 1266-1276.https://doi.org/10.1016/j.scitotenv.2010.12.039.
[7]. Engel-Cox, J., Hoff, R., M., Rogers, R., Dimmick F., Rush A., Szykman J., Al-Saadi J., Chu A., & Zell E. (2006). Integrating lidar and satellite optical depth with ambient monitoring for 3- dimensional particulate characterization. Atmospheric Environment, 40 (40): PP 8056-8067. https://doi.org/10.1016/j.atmosenv.2006.02.039.
[8]. Ganjehkaviri, A., Mohd, M.N., Hosseini, S.E., & Barzegaravval, H. (2017). Genetic algorithm for optimization of energy systems: Solution uniqueness, accuracy, Pareto convergence and dimension reduction. Energy, 119, 167–177. https://doi.org/10.1016/j.energy.2016.12.034.
[9]. Grivas, G., & Chaloulakou, A. (2006). Artificial neural network models for prediction of PM10 hourly concentrations, in the Greater Area of Athens. Greece. Atmospheric Environment, 40 (7), 1216–1229. https://doi.org/10.1016/j.atmosenv.2005.10.036.
[10]. Grzegorz, M., Wioletta, R., Piotr, O., Artur, B., & Andrzej, B. (2015). The Impact of Selected Parameters on Visibility: First Results from a Long-Term Campaign in Warsaw, Poland. Atmosphere, 6 (8), 1154-1174. Doi: 10.3390/atmos6081154.
[11]. Guillaume, A., & Almeida, D. (1986). A model for Saharan dust transport. American Meteorological Society, 25, 903-916. https://doi.org/10.1175/1520-0450.
[12]. Hejazi, A., Mobasheri M.R., Ahmadyan A. (2014). Enhancement of a Semi-empirical Model using Genetic Algorithm for Estimation of Near Surface Particulate Matter (PM10) Concentration in City of Tehran Using Satellite Images and Weather Data. Geography and Environmental Planning, 25, 37-50. (in Farsi).
[13]. Khoshsima, M., AliakbariBidokhti, A.A., & Ahmadi- Givi F. (2013). Evaluation of aerosol optical depth using visibility and remote sensing data in urban and semi urban areas in Iran. Journal of the Earth and Space Physics, 39, 163-174. (in Farsi).
[14]. Khoshsima, M., SabetGhadam, S., & AliakbariBidokhti A.A. (2015). Estimation of atmospheric particulate matter (PM10) concentration based on remote sensing measurements and meteorological parameters: application of artificial neural network. Journal of the Earth and Space Physics, 41, PP 499-510. (in Farsi).
[15]. Maghrebi, M., & Tajrish, M. (2006). Investigating the Application of Satellite Sensors in Detecting Particulate Particles in Large Cities. The first environmental education congress. (in Farsi).
[16]. Maghrebi M., & Tajreshi, M. (2011). Investigating the Application of Satellite Sensors in Detecting Particulate Particles in Large Cities. Sharif University of Technology, Department of Aerospace Engineering, No 1, PP 38-41. (in Farsi).
[17]. Maulik, U., & Bandyopadhyay, S. (2000). Genetic algorithm-based clustering technique. Pattern Recognition, 33 (9), 1455-1465. https://doi.org/10.1016/S0031-3203(99)00137-5
[18]. Patterson, E.M., & Gillette, D.A. (1977). Measurements of visibility vs. mass concentration for airborne soil particles. Atmospheric Environment, 11 (2), 193–196. https://doi.org/10.1016/0004-6981(77)90226-8.
[19]. QorbaniSalkhord, R. (2010). Validation of MODIS sensor data in relation to atmospheric pollution in urban areas. Thesis Master of Remote Sensing, Faculty of Surveying. Khaje Nasir Tussi University of Technology. (in Farsi).
[20]. Ranjbaran, M., Ajami, A., Bonjakhi, M., Borzouei, H., & Barzin M. (2015). Study of the relationship between the scattering angle and intensity of the atmospheric particles, reducing horizontal visibility. ICOP & ICPET, 21, 1397-1400. (in Farsi).
[21]. Sanja, G., Josip, K., Goran, G., Oleg, A., Zdravko, Š., Rodelise, E. M., Christodoulou, A., Argyro, N., Athos, A., Kyriakos, T., Kurt, F., Charalambos, P., & Diofantos, H. (2013). Relationship between MODIS based Aerosol Optical Depth and PM10 over Croatia. Central European. Journal of Geosciences, 6 (1), 2-16. DOI: 10.2478/s13533-012-0135-6.
[22]. Shao, Y., Yang, Y., Wang, J., Song, Z., Leslie, L.M., Dong, C., Zhang, Z., Lin, Z., Kanai, Y., Yabuki, S., & Chun, Y. (2003). Northeast Asian dust storms: Real-time numerical prediction and validation, Journal of Geophysical Research Atmospheres, 108, doi: 10.1029/2003JD003667.
[23]. Sohrabinia, M., & Khorshiddoust, A. (2007). Application of satellite data and GIS in studying air pollutants in Tehran. Habitat International, 31(2), 268 – 275. https://doi.org/10.1016/j.habitatint.2007.02.003.
[24]. Wang, Z., Chen, L., Tao, J., Zhang, Y., & Su. L. (2010). Satellite-based estimation of regional particulate matter (PM) in Beijing using vertical-and-RH correcting method. Remote Sensing of Environment. 114 (1), 50–63. https://doi.org/10.1016/j.rse.2009.08.009. | ||
|
آمار تعداد مشاهده مقاله: 701 تعداد دریافت فایل اصل مقاله: 614 |
||