مدل سازی و پیش بینی وضعیت آلاینده های هوای شهر تهران کاربرد مدل خود رگرسیونی با ویژگی حافظه بلندمدت
Publish place: Environmental Science and Technology، Vol: 20، Issue: 1
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 188
This Paper With 17 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ESTJ-20-1_004
تاریخ نمایه سازی: 19 مهر 1400
Abstract:
زمینه و هدف: مدل سازی آلاینده های زیست محیطی یکی از نیازهای اساسی در زمینه پایش کیفیت هوا محسوب می شود که با بهره گیری از نتایج حاصله می توان اقدامات پیشگیرانه ای جهت بهبود شرایط آتی اتخاذ کرد. ادبیات موجود در زمینه الگوسازی آلاینده های زیست محیطی را می توان به دو دسته کلی تقسیم کرد، دسته اول شامل مطالعاتی می شود که علاوه بر داده های مربوط به آلاینده ها 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 غالبا با استفاده از داده های موجود هر آلاینده، پیش بینی وضعیت آتی آن را مد نظر قرار داده اند. 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 آلاینده های CO ، PM۱۰ ،NO۲ ،SO۲ ،O۳ و PM۲.۵در شهر تهران پیش بینی 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 می دهد که فرض وجود حافظه بلندمدت پذیرفته خواهد شد، ولی این که بهترین پیش بینی ها همواره توسط مدل ARFIMA ارایه می شود، رد میشود. بحث و نتیجه گیری: این مطالعه کاربرد مدل های اقتصادسنجی را برای پیش بینی وضعیت آلاینده ها اثبات می کند. براین اساس توصیه می شود با توجه به هزینههای اجتماعی بالای انتشار آلاینده ها، با بکارگیری این الگوها، آلاینده های تاثیرگذار بر آینده هوای شهر شناسایی و در جهت کاستن از سطح انتشار آنها طرح های کارآمدی پیاده شود.
Keywords:
پیش بینی , حافظه بلندمدت , مدل خودرگرسیونی هم انباشته کسری(ARFIMA) , آزمون GPH , آزمون R/S اصلاح شده
Authors
رضا اخباری
کارشناس ارشد اقتصاد محیط زیست، دانشگاه علامه طباطبایی (مسوول مکاتبات)
حمید آماده
استادیار گروه اقتصاد کشاورزی و محیط زیست دانشکده اقتصاد دانشگاه علامه طباطبایی
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :