واکاوی رابطه میان PM10، PM2.5 با دید افقی به تفکیک کد همدیدی با کاربست الگوریتم ژنتیک در شهریزد

نوع مقاله: مقاله علمی

نویسندگان

1 دکترای مخاطرات آب و هوایی، گروه جغرافیا، دانشکده علوم انسانی، دانشگاه یزد

2 استاد اقلیم شناسی، گروه جغرافیا، دانشکده علوم انسانی، دانشگاه یزد

3 دانشیار اقلیم شناسی، گروه جغرافیا، دانشکده علوم انسانی، دانشگاه یزد

4 استادیار 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


[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.