مقایسه نقشه‌برداری و تحلیل همبستگی هواشناسی شاخص کیفیت هوا در شرق میانه چین

خلاصه

با پیشرفت مداوم تولید و زندگی انسان، کیفیت هوا در کانون توجه قرار گرفته است. در این مقاله، استان های پکن، تیانجین، هبی، شانشی، شاندونگ و هنان به عنوان منطقه مورد مطالعه در نظر گرفته شدند که در آن 58 ایستگاه پایش کیفیت هوا وجود دارد که داده های روزانه و ماهانه از آنها به دست می آید. در ابتدا، ویژگی های زمانی شاخص کیفیت هوا (AQI) مورد بررسی قرار می گیرد. سپس، توزیع فضایی AQI با روش وزنی معکوس فاصله (IDW)، روش کریجینگ معمولی (OK) و روش حداکثر آنتروپی بیزی (BME) ترسیم می‌شود. علاوه بر این، اعتبارسنجی متقاطع برای ارزیابی نتایج نگاشت این روش‌ها با دو شاخص استفاده می‌شود: میانگین خطای مطلق و ریشه میانگین مربع خطای درونیابی. علاوه بر این، تحلیل همبستگی عوامل هواشناسی، شامل درصد ناهنجاری بارندگی، بارش، میانگین سرعت باد، میانگین دما، میانگین فشار بخار آب و میانگین رطوبت نسبی که به طور بالقوه بر AQI تأثیر می‌گذارند در مقیاس روزانه و ماهانه انجام شد. در منطقه و دوره مورد مطالعه، AQI تناوب مشخصی را نشان می دهد، اگرچه در مجموع روند نزولی دارد. اوج AQI در نوامبر، دسامبر و ژانویه ظاهر شد. درون یابی BME دقت بالاتری نسبت به OK دارد. IDW حداکثر خطا را دارد. به طور کلی، AQI زمستان (نوامبر)، بهار (فوریه) بسیار بدتر از تابستان (مه) و پاییز (مرداد) است. علاوه بر این، کیفیت هوا در طول دوره مطالعه بهبود یافته است. آلوده ترین مناطق کیفیت هوا در پکن، بخش جنوبی تیانجین، بخش مرکزی-جنوبی هبی، بخش مرکزی-شمالی هنان و بخش غربی شاندونگ متمرکز است. میانگین سرعت باد و میانگین رطوبت نسبی با AQI همبستگی واقعی دارند. تأثیر عوامل هواشناسی مانند باد، بارندگی و رطوبت بر AQI دارای تأخیر زمانی به درجات مختلف فرض می‌شود. AQI شهرهای با کیفیت هوای ضعیف در هنگام تغییر آب و هوا بیشتر از شهرهای دیگر نوسان خواهد داشت و همبستگی بیشتری با عوامل هواشناسی دارد.

کلید واژه ها:

شاخص کیفیت هوا ؛ تحلیل همبستگی ; وزن دهی معکوس فاصله ; روش کریجینگ ؛ حداکثر آنتروپی بیزی

1. معرفی

امروزه با توسعه اقتصاد اجتماعی و تأثیر تولید و زندگی انسان، مشکلات زیست محیطی بیش از پیش جدی شده است. کیفیت هوای شهری بدتر و بدتر می شود. و بررسی و حل مشکل کیفیت هوا ضروری است [ 1 ، 2 ]. ما خیلی زود شروع به پایش کیفیت هوا کردیم، برای مثال ازن سطحی بر فراز آتن، یونان، برای دوره 1901-1940. با مقایسه داده های تاریخی با داده های اخیر، می توان روند کیفیت هوا را در شهرهای بزرگ مشاهده کرد. علاوه بر این، ارزیابی مجدد داده های تاریخی با ابزارهای جدید در سال های اخیر ضروری است [ 3]. از تغییرات بلندمدت تابش های مستقیم و پراکنده پهن باند، و همچنین ضرایب کدورت، تکامل زمانی کیفیت هوا برای یک دوره طولانی تر در گذشته را می توان به طور غیر مستقیم ترسیم کرد [4 ] . مطالعه قبلی گزارش داد که باندهای امواج طیفی مختلف برای روزهای صاف کاهش قابل توجهی را در دوره 1966-1990 برای آتن نشان داد که به افزایش آلودگی هوا به دلیل توسعه مداوم شهر در این دوره نسبت داده شد [5 ] . آلودگی هوا با بروز سرطان ریه و بیماری های قلبی عروقی همبستگی خاصی دارد [ 6 ، 7 ، 8 ، 9]. ارتباط قابل قبول بین افزایش سطوح تابش فرابنفش خورشیدی، آلودگی هوا در سطح زمین و ایجاد نقایص پوستی چشم (به عنوان مثال، اریتم، آب مروارید، قرنیه، ملتحمه، آسیب پلک و عدسی) در [10، 11] مطالعه شده است . . آلودگی هوای شهری باعث می شود تابش فرابنفش زمین به طور قابل توجهی کاهش یابد (تا 50%) [ 12 ].

در دهه های اخیر، اقتصاد چین به لطف سیاست اصلاحات و گشایش پیشرفت فزاینده ای داشته است. در حالی که، در این میان، مشکلات کیفیت هوا به سرعت در سراسر کشور بدتر شده است، زیرا ضمانت موازی با فناوری پیشرفته و حفاظت از محیط زیست، به ویژه در مناطق شمالی چین، مانند پکن، تیانجین، هبی و شاندونگ وجود ندارد. گزارش کیفیت هوای وزارت حفاظت از محیط زیست جمهوری خلق چین نشان می دهد که برای 13 شهر سطح استان در پکن، تیانجین و هبی، میانگین نسبت استاندارد روز کیفیت هوای آنها 37.5 درصد است که 23 درصد کمتر از 74 شهر دیگر است. . برای ارزیابی کمی کیفیت هوا، چند شاخص پیشنهاد شده است. شاخص کیفیت هوا (AQI) که اخیراً مورد استفاده قرار گرفته است. AQI یک کمیت بدون بعد است. این یک جایگزین برای شاخص آلودگی هوا پس از نیمه دوم سال 2012 است. AQI بر اساس ارزیابی جامع شش آلاینده است: دی اکسید گوگرد، دی اکسید نیتروژن، PM10، PM2.5، ازن و مونوکسید کربن، همانطور که توسط استاندارد کیفیت هوای محیطی دولت چین (GB3095-2012)؛ دیدن [13 ]. این شاخص با توجه به مقدار خود به شش سطح تقسیم می شود. هر چه این شاخص یا سطح بالاتر باشد، آلودگی هوا بدتر است.

AQI دارای ویژگی های زمانی و مکانی است و از نظر زمان و مکان بسیار همبستگی دارد. تجزیه و تحلیل سری های زمانی یک روش مهم برای مطالعه ویژگی های زمانی کیفیت هوا است، در حالی که درون یابی مکانی یک روش اولیه برای کاوش الگوهای فضایی آن است. روش‌های درون‌یابی فضایی رایج عبارتند از: (1) الگوریتم نزول گرادیان. (2) روش وزن فاصله معکوس. (3) روش های کریجینگ؛ (4) هموارسازی توابع روند. (5) روش تقریب چند جمله ای. و (6) روش پیش تخمین فضای اسپلاین. ماکزیمم آنتروپی بیزی پیشنهاد شده در سالهای اخیر نیز به طور گسترده مورد استفاده قرار گرفته است. [ 14]. بائو و همکاران ویژگی های توزیع کیفیت هوا در چین را در زمان و مکان تجزیه و تحلیل کرد و ماهیت چرخه ای کیفیت هوا در فصول و همبستگی بین بارش، فشار و دمای کیفیت هوا را نشان داد. AQI در جنوب پایین تر از شمال است، در جهت عمودی. با افزایش ارتفاع کاهش می یابد. و با افزایش قد، روند تغییر به تدریج کاهش می یابد [ 15 ، 16 ]. ژانگ کیفیت هوای ارومچی را با تجزیه و تحلیل همبستگی خاکستری تجزیه و تحلیل کرد و چندین متغیر کمکی را شناسایی کرد که با کیفیت هوا مرتبط هستند: آلودگی صنعتی، سطح سبز شدن شهری، گرمایش شهری، آلودگی اگزوز خودرو و غیره. [ 17]. اشرف داده های هواشناسی روزانه 17 ایستگاه در نبراسکا، کانزاس و کلرادو را از 1989 تا 1990 با روش مربع های فاصله معکوس، روش فاصله معکوس، کریجینگ معمولی و کوکریجینگ درون یابی کرد و به این نتیجه رسید که کوکریجینگ بهترین یکی از این روش ها است. به مقایسه ریشه میانگین مربعات خطای درونیابی (RMSIE) [ 18 ]. روش های موجود درون یابی مکانی- زمانی و مشکلات موجود آن ها خلاصه شده است و یک روش درونیابی مکانی- زمانی بهبود یافته در [ 19 ] پیشنهاد شده است.

ادامه مقاله به شرح زیر تدوین شده است. ابتدا، مواد و روش های مورد استفاده در این مقاله در بخش 2 و بخش 3 توضیح داده شده است . سپس، تجزیه و تحلیل ویژگی های زمانی و مکانی انجام می شود، و نتایج نشان داده شده و در بخش 4 مورد بحث قرار می گیرد . در مرحله بعد، رابطه بین AQI و شرایط هواشناسی با توجه به تأثیر بالقوه چندین عامل اصلی هواشناسی، بارش، باد، دما، فشار بخار آب و رطوبت نسبی، در بخش 5 ارائه شده است . در نهایت، نتیجه گیری در بخش 6 آورده شده است .

2. مواد

2.1. منطقه مطالعه

منطقه مورد مطالعه این مقاله پکن، تیانجین، هبی، شانشی، هنان و شاندونگ را پوشش می‌دهد. مساحت این منطقه 712300 کیلومتر مربع است و جمعیت آن 330 میلیون نفر است که 24.2 درصد از کل کشور را تشکیل می دهد. بر اساس سالنامه آماری 2014، تولید ناخالص داخلی در منطقه مورد مطالعه 27.2 درصد از کل کشور است. از نظر گزارش بهداشتی از سوی نهادهای ملی مانند CDC، ابتلا به سرطان در سال‌های اخیر افزایش سریعی داشته است. برخی تحقیقات نیز ارتباط معنی داری بین بیماری های قلبی عروقی و کیفیت هوا را تایید کردند [ 6 ، 7 ، 8 ، 9 ].

منطقه مورد مطالعه به شدت آلوده ترین منطقه در چین است. اگرچه وضعیت کیفیت هوا در سال‌های اخیر اندکی بهتر شده است، اما میانگین روزهای فراتر از استاندارد نرمال همچنان بیش از 170 روز است. در منطقه مورد مطالعه، در مجموع 1710 روز آلودگی شدید یا بالاتر وجود دارد که 1/44 درصد از آلودگی هوا را تشکیل می‌دهد. کل ملت با توجه به فصولی که آلودگی هوا رخ می دهد، بیشترین وقوع آلودگی شدید از ژانویه تا مارس و اکتبر تا دسامبر است. منطقه مورد مطالعه در ماه دسامبر از چندین فرآیند آلودگی سنگین در مقیاس بزرگ رنج می برد، و روزهای با سنگین یا بالاتر در مطالعه 36.8٪ از کشور را تشکیل می دهد که به طور قابل توجهی بیشتر از ماه های دیگر است. با توجه به اینکه این منطقه یکی از آلوده ترین مناطق کشور با جمعیت متراکم است،

1436 ایستگاه نظارت بر کیفیت هوا در کل چین از وب سایت وزارت حفاظت از محیط زیست جمهوری خلق چین وجود دارد. 58 سایت نظارتی در پکن، تیانجین، هبی، شانشی، هنان و شاندونگ وجود دارد. منطقه مورد مطالعه، موقعیت آن در چین و ایستگاه های نظارتی مورد استفاده در شکل 1 نشان داده شده است .

2.2. داده ها

در این مقاله، داده های AQI از وب سایت وزارت حفاظت از محیط زیست جمهوری خلق چین دانلود شده است.

AQI حداکثر شش مقدار IAQI (شاخص کیفیت هوای فردی) (SO ₂ ، NO ₂ ، PM10، PM2.5، O ₃ ، CO) را می گیرد. IAQI به صورت زیر محاسبه می شود:

من یک س من من = من یک س من اچ من - من یک س من L i ب پ اچ من - ب پ L i (سی من - ب پ L i) + من یک س من L i

(1)

جایی که $I A Q I_{i}$ نشان دهنده شاخص کیفیت هوای منفرد آلاینده i است . $C_{i}$ غلظت آلاینده i است . $B P_{H i} and B P_{L i}$ مقادیر بالا و پایین حد غلظت آلاینده نزدیکترین هستند $C_{i}$ . $I A Q I_{H i} and I A Q I_{L i}$ شاخص های فردی کیفیت هوا مربوط به $B P_{H i} and B P_{L i}$ . ارزش های $I A Q I_{H i}, I A Q I_{L i}, B P_{H i}, B P_{L i}$ به استاندارد کیفیت هوای محیطی دولت چین (GB3095-2012) مراجعه کنید.

شبکه مانیتورینگ از 58 سایت پایش زمینی تشکیل شده است که در کل منطقه مورد مطالعه پراکنده شده اند ( شکل 1 ). همه سایت‌های مانیتورینگ مجهز به ابزارهایی برای نظارت مستمر در زمان واقعی چندین نوع آلاینده هوا از جمله PM2.5، PM10، CO، SO ₂ ، O ₃ و NO _{2 هستند.}. (اگرچه PM2.5 و PM10 هر 24 ساعت به روز می شوند). می تواند مقدار زیادی نمونه برای انواع مطالعات در زمینه آلاینده های جوی فراهم کند. داده های ماهانه هواشناسی از وب سایت داده های هواشناسی چین آمده است. شبکه مانیتورینگ از 23 سایت پایش زمینی تشکیل شده است که در کل منطقه مورد مطالعه پراکنده شده اند. این داده‌های هواشناسی از مجموعه داده‌های روزانه ایستگاه‌های تبادل بین‌المللی زمینی چین استخراج شده‌اند. مجموعه داده از 194 ایستگاه اصلی هواشناسی زمینی است. اقلام داده عبارتند از: میانگین فشار هوا، میانگین دمای هوا، میانگین فشار بخار آب، میانگین رطوبت نسبی، میانگین سرعت باد، تبخیر، مدت تابش آفتاب و بارندگی. محدوده زمانی این داده ها از آگوست 2014 تا مه 2016 است. سیستم مختصات مورد استفاده برای اطلاعات مکان این ایستگاه ها WGS84 است.

ما متوجه شدیم که برخی از ایستگاه‌ها بخشی از داده‌های ماهانه اولیه را از آگوست 2014 تا نوامبر 2014 از دست داده‌اند و سایر ایستگاه‌ها کامل شده‌اند. ما ایستگاه های با داده های از دست رفته را ایستگاه های داده ناقص می نامیم. بقیه ایستگاه های داده کامل هستند. 43 ایستگاه داده کامل و 15 ایستگاه داده ناقص وجود دارد ( شکل 1 ). هنگامی که از داده های قبل از نوامبر 2014 برای انجام درونیابی مکانی استفاده می کنیم، فقط از داده های ایستگاه های داده کامل استفاده می کنیم.

3. روش ها

محتوای اصلی ادغام چند روش مورد استفاده در این تحقیق از چهار بخش استخراج داده، پیش پردازش، درونیابی فضایی و تحلیل همبستگی تشکیل شده است ( شکل 2).). ما داده های روزانه AQI را از وب سایت وزارت حفاظت از محیط زیست جمهوری خلق چین به دست آوردیم. داده های ماهانه هواشناسی از وب سایت سرویس داده های هواشناسی چین دانلود می شود. سپس، داده ها توسط یک برنامه پایتون سفارشی شده پیش پردازش می شوند. ایستگاه های موجود در منطقه مورد مطالعه غربال شده و مکان آنها با نقشه پایه منطقه مورد مطالعه ژئوکدگذاری می شود. میانگین ماهانه هر ایستگاه با توجه به داده های روزانه محاسبه می شود. در مرحله بعد، از سه روش درونیابی برای ترسیم داده های AQI استفاده می شود و دقت نقشه برداری ارزیابی و با یکدیگر مقایسه می شود. در نهایت، یک تحلیل همبستگی بین AQI و چندین عامل اصلی هواشناسی انجام شده است. نمودار جریان تحلیل AQI در شکل 2 نشان داده شده است .

3.1. درون یابی فضایی

همانطور که در شکل 2 نشان داده شده است، ما از سه نوع تکنیک درون یابی برای ترسیم توزیع فضایی AQI در منطقه مورد مطالعه استفاده می کنیم.

وزن دهی معکوس فاصله: ایده اصلی درون یابی وزنی معکوس فاصله (IDW) این است: فرض کنید وزن تأثیر نقطه نمونه شناخته شده بر نقطه پیش بینی شده با فاصله بین دو نقطه نسبت معکوس دارد. هرچه فاصله کمتر باشد، وزن درون یابی بزرگتر است. برای یک نقطه پیش‌بینی معین، مجموع اوزان تمام نقاط نمونه شناخته شده مجاور آن همیشه 1 است [ 20 ]. IDW به صورت زیر فرموله شده است:

ایکس = \sum i = 1 n ایکس من د پ من \sum i = 1 n 1 د پ من

(2)

که در آن X مقدار تخمینی برای یک نقطه پیش بینی است. $X_{i}$ مقدار i -امین نقطه نمونه شناخته شده است. $d_{i}$ فاصله بین i- امین نقطه نمونه شناخته شده و نقطه پیش بینی است. p قدرت وزن است. مقدار آن معمولاً 2 در نظر گرفته می شود و بیشترین محدوده انتخاب شده [0.5, 3] است.

کریجینگ: روش های کریجینگ نقش مهمی در زمین آمار بازی می کنند. ایده اصلی آن این است که با توجه به تفاوت موقعیت مکانی نقاط نمونه شناخته شده و همبستگی بین نقاط نمونه، وزن های متفاوتی به درجه هر نقطه نمونه داده شود. پس از میانگین موزون متحرک، میانگین نمره ناحیه مرکزی برآورد می شود. به صورت فرموله شده است:

z * (ایکس 0) = \sum i = 1 n λ من z (ایکس من)

(3)

جایی که $Z^{*} (x_{0})$ مقدار تخمینی مکانی نقطه پیش بینی شده است. $Z (x_{i})$ مقدار مشخصه شناخته شده نقطه نمونه i -ام است. $n$ تعداد کل امتیازات نمونه است. $λ_{i}$ ضریب وزن نقطه نمونه مربوطه است.

برای کریجینگ معمولی، در هر نقطه نمونه، مقدار مورد انتظار تابع تصادفی مجدداً تخمین زده می‌شود، و همسایگی داده‌های لغزشی که توسط کریجینگ معمولی استفاده می‌شود، الگوریتم را به‌طور کلی غیر ثابت می‌کند، اما میانگین و کوواریانس مربوط به تغییر پایدار است [ 21 ].

مراحل اساسی کریجینگ معمولی را می توان به [ 22 ] اشاره کرد.

حداکثر آنتروپی بیزی: کریستاکوس (1990) روش حداکثر آنتروپی بیزی (BME) را ایجاد کرد. روش BME انواع مختلفی از داده ها و انواع مختلف پایگاه های دانش را به درون یابی فضایی می برد. این داده ها و اطلاعات به دانش عمومی ( $K_{G}$ ) و دانش خاص سایت ( $K_{S}$ ) [ 23 ، 24 ، 25 ، 26 ، 27 ]. Ks از داده های نرم و داده های سخت تشکیل شده است . داده‌های سخت مقادیری هستند که با اندازه‌گیری به دست می‌آیند، در حالی که داده‌های نرم، تجربیات تاریخی یا داده‌هایی با عدم قطعیت بالا هستند. مراحل محاسبه BME شامل مرحله قبل، مرحله قبل و مرحله پسین است. در مرحله قبل، از یک نظریه آنتروپی حداکثر به عنوان معادله (4) برای به دست آوردن توزیع قبلی استفاده می شود:

من n f o جی (ز m a p) = - ورود f جی (ز m a p)

(4)

جایی که $Z_{m a p}$ متغیر تصادفی در منطقه مورد مطالعه است، $Z_{m a p} = (Z_{h a r d}, Z_{s o f t}, Z_{0})$ ، و $Z_{h a r d}$ ، $Z_{s o f t}$ و $Z_{0}$ به ترتیب مقدار داده های سخت، داده های نرم افزاری و مکان تخمین را نشان می دهد. $f_{G} (Z_{m a p})$ پی دی اف را بر اساس دانش عمومی نشان می دهد $K_{G}$ . بر اساس این محدودیت ها و رویکرد ضریب لاگرانژ، می توانیم پی دی اف قبلی را دریافت کنیم:

f جی (ز m a p) = آ - 1 انقضا (\sum α = 1 ن ج μ α g α (ز m a p))

(5)

جایی که $μ_{α}$ ضریب لاگرانژ را نشان می دهد، $g_{α} (Z_{m a p})$ تابع شناخته شده مرتبط با است $Z_{m a p}$ بر اساس $K_{G}$ و A ضریب نرمال سازی را نشان می دهد:

A = \int انقضا (\sum α = 1 ن ج μ α g α (ز m a p)) د ز m a p

(6)

در مرحله پیش از پسین، هدف جمع آوری و سازماندهی اطلاعات کمکی اضافی در اشکال مناسب برای تولید دانش خاص سایت است. سپس در مدل BME استفاده خواهند شد. داده های سخت به صورت غیرمستقیم در مرحله قبل گنجانده شده اند و به طور مستقیم در این مرحله استفاده خواهند شد.

در مرحله پسین، از شرطی سازی بیزی به عنوان معادله (7) برای به دست آوردن توزیع پسین استفاده می شود:

f ک (ز 0) = f جی (ز 0 | ز h a r d ، ز s o f تی) = f جی (ز 0 ، ز h a r d ، ز s o f تی) \times (f جی (ز h a r d ، ز s o f تی)) - 1

(7)

جایی که $Z_{h a r d} = [x_{1}, ..., x_{n}]'$ ، $Z_{s o f t} = [x_{n + 1}, ..., x_{m}]'$ و n ، m تعداد داده های سخت و داده های نرم را در محدوده حداکثر فاصله نشان می دهد $d_{\max}$ به ترتیب به نقطه برآورد.

3.2. خودهمبستگی فضایی

Semivariogram: خودهمبستگی فضایی نقش مهمی در زمین آمار دارد. هر دو روش کریجینگ و BME نیاز به در نظر گرفتن خودهمبستگی فضایی در فرآیندهای خود دارند. ژرژ ماترون آماردان فرانسوی در دهه 1960، نیم متغیره را به عنوان معیار کمی همبستگی فضایی پیشنهاد کرد [ 28 ].

خودهمبستگی مورد بحث در فضا آشکارا مربوط به فاصله فضایی است و تابع اندازه گیری این همبستگی نیم متغیره [ 29 ] نامیده می شود که به صورت زیر تعریف می شود:

r (h) = \sum i = 1 ن ( h ) [ آ من - آ من + ساعت ] 2 2 N ( h )

(8)

که در آن r ( h ) مقدار نیم متغیر و N ( h ) تعداد جفت های نقطه با فاصله h در منطقه مورد مطالعه را نشان می دهد. شمارنده مجموع مجذورات اختلاف بین دو مقدار ویژگی هر دو نقطه با فاصله h را نشان می دهد . به طور کلی، با افزایش فاصله فضایی h بین دو نقطه، همبستگی کوچکتر و کوچکتر می شود، به این معنی که درجه تغییرات در حال افزایش است. بنابراین با افزایش فاصله فضایی h [ 30] نیم‌واریوگرام به آرامی افزایش می‌یابد]. نیم متغیره می تواند هم تصادفی بودن و هم ساختار متغیرهای منطقه ای شده را بهتر از سایر معیارها، مانند کوواریانس فضایی، توصیف کند [ 31 ].

فرآیند محاسبه نیم متغیری: از داده های نمونه می توانیم نیم متغیری را تخمین بزنیم. این نیمه متغیریگرام تخمین زده شده، نیمه متغیریگرام تجربی نامیده می شود. برای منطقه مورد مطالعه، ابتدا فاصله بین تمام جفت های نقطه را محاسبه کنید. در این مقاله، 2415 جفت امتیاز برای محاسبه وجود دارد. و مقادیر حداکثر و حداقل را برای تعیین فاصله تاخیر h و سطح تاخیر N پیدا کنید . با شروع از N = 1، تمام جفت های نقطه را پیدا کنید $(P_{i}, P_{j})$ که راضی است:

(ن - 1) h \leq d من هستم (پ من ، پ j) \leq N ساعت

(9)

فاصله جفت نقطه ها با نشان داده می شود $D I S_{i}$ . سپس، مجذور اختلاف بین مقادیر مشخصه را محاسبه کنید.

اس من = [یک (پ من) - یک (پ j)] 2

(10)

تعداد جفت های نقطه ای که می توانیم پیدا کنیم این است $N (h)$ . میانگین فاصله را محاسبه کنید.

ساعت a v g = 1 ن ( h ) \sum i = 1 ن (h) D I اس من

(11)

مقدار semivariogram در این سطح تاخیر به صورت زیر محاسبه می شود:

r * (ساعت a v g) = 1 2 N ( h ) \sum i = 1 ن (h) اس من

(12)

نقاط را رسم کنید

(h_{a v g}, r^{*} (h_{a v g}))

برای هر سطح تاخیر و متناسب با نقاط با یک مدل انتخاب شده. بنابراین، ما نیمه متغیریگرام تجربی را دریافت می کنیم. چندین مدل متداول مورد استفاده برای برازش نیم متغیره شامل مدل کروی، مدل گاوسی، مدل نمایی و غیره است [ 32 ].

3.3. اعتبار سنجی متقابل

روش اعتبار سنجی متقابل به این صورت است: ابتدا داده های نمونه اصلی به K مجموعه های مختلف تقسیم می شوند. هر بار که یک مجموعه K -1 به عنوان داده های نمونه آموزشی استفاده می شود، و گروه باقی مانده به عنوان داده های آزمون، خطای نسبی داده های آزمون را بین مقدار پیش بینی شده و واقعی پس از آموزش محاسبه کنید. هر مجموعه فقط یک بار به عنوان داده آزمایش استفاده می شود، N بار تکرار می شود تا اطمینان حاصل شود که مجموعه K داده ها آزمایش شده اند. میانگین یا ریشه میانگین مربع خطا برای آزمایش استفاده خواهد شد [ 33 ].

3.4. ارزیابی دقت درونیابی

دو شاخص برای ارزیابی دقت درونیابی استفاده می شود، یکی میانگین خطای مطلق (MAE) است که به صورت زیر تعریف می شود:

م A E = \sum i = 1 متر a b s ( ایکس a , i - ایکس e ، i ) متر

(13)

دیگری ریشه میانگین خطای درونیابی مربعی (RMSIE) است که به صورت تعریف شده است

R M اس من E = \sum i = 1 متر ( ایکس a , i - ایکس e ، i ) 2 متر ————-⎷

(14)

که در آن m تعداد نمونه ها را نشان می دهد، $x_{a, i}$ نشان دهنده AQI اندازه گیری شده واقعی برای ایستگاه نمونه I و $x_{e, i}$ نشان دهنده AQI تخمین زده شده توسط درونیابی فضایی برای ایستگاه نمونه من است . درونیابی فضایی با دقت بالا دارای مقدار کمی از دو شاخص است. MAE عمدتاً برای ارزیابی حد بالایی خطا و حد پایینی خطا استفاده می شود، اما RMSIE در ارزیابی حساسیت نتایج درونیابی فضایی و حداکثر اثر حداقل برخی از نقاط نمونه بهتر است [ 34 ].

3.5. همبستگی زمانی

برای هر ایستگاه در محدوده مورد مطالعه، داده های ماهانه هواشناسی و داده های AQI را می توان به عنوان دو سری زمانی مستقل مشاهده کرد. ما می خواهیم همبستگی بین این دو سری زمانی را تحلیل کنیم. همبستگی دو سری زمانی را می توان با ضریب همبستگی بیان کرد که به صورت زیر تعریف می شود:

r = n \sum i = 1 n ایکس من y من - \sum i = 1 n ایکس من \times \sum i = 1 n y من n \sum i = 1 n ایکس 2 من - ( \sum i = 1 n ایکس من ) 2 —————-⎷ \times n \sum i = 1 n y 2 من - ( \sum i = 1 n y من ) 2 —————-⎷

(15)

که در آن x = { x ₁ , x ₂ , …, x _n } و y = { y ₁ , y ₂ , …, y _n } دو سری زمانی مختلف را نشان می دهد، r در محدوده [–1, 1] است. R > 0 برای همبستگی مثبت. r < 0 برای همبستگی منفی. r = 0 نشان دهنده عدم وجود همبستگی است. هر چه همبستگی بیشتر باشد قدر مطلق r بیشتر است . عموماً اعتقاد بر این است که قدر مطلق rیک همبستگی خرد بین 0 و 0.3، یک همبستگی واقعی بین 0.3 و 0.5، یک همبستگی معنادار بین 0.5 و 0.8 و یک همبستگی بالا بین 0.8 و 1 است [35 ] .

4. تجزیه و تحلیل ویژگی های زمانی و مکانی

ما از هر یک از سه روش درونیابی برای ترسیم توزیع فضایی به صورت جداگانه استفاده کردیم. بازه زمانی مدت داده شامل 25 ماه از آگوست 2014 تا اوت 2016 است. ما نه ماه را برای نشان دادن نتایج تجزیه و تحلیل انتخاب کردیم. در نمایشگاه بعدی، تابلوهای شکل از چپ به راست، از بالا به پایین خوانده می شوند: آگوست 2014، نوامبر 2014، فوریه 2015، می 2015، آگوست 2015، نوامبر 2015، فوریه 2016، می 2016، اوت 2016. اعتبار سنجی متقابل برای ارزیابی دقت هر روش درونیابی استفاده می شود. هر ایستگاه یک مجموعه است.

4.1. ویژگی های زمانی

به منظور بررسی روند و ویژگی های زمانی AQI، منحنی های روند AQI تمامی 58 ایستگاه و نقشه راداری سالانه AQI ترسیم شد. شکل 3 و شکل 4 را ببینید .

ما همچنین برخی از شاخص های آماری قابل توجه را بر اساس داده های AQI روزانه محاسبه کردیم. جدول 1 برخی از نتایج را نشان می دهد.

همانطور که از شکل 3 مشاهده می شود ، AQI یک دوره تناوب واضح را در طول زمان نشان می دهد، و از شکل 4 به راحتی می توان دریافت که اوج AQI در نوامبر، دسامبر و ژانویه ظاهر شد. از منحنی‌های روند و نقشه‌های راداری می‌توان دریافت که در سال‌های اخیر، کل AQI روند نزولی را نشان داده است. نتایج محاسبه در جدول 1 نیز این نتیجه را تایید می کند. نتایج محاسبات نشان می دهد که AQI در طول زمان به شدت نوسان می کند، اگرچه روند نزولی را نشان می دهد.

4.2. نقشه برداری AQI با IDW

ما از نتایج اعتبارسنجی متقابل 58 ایستگاه برای انتخاب پارامترها استفاده می کنیم. با توجه به اینکه قطر جستجو باید کمتر از نصف منطقه مورد مطالعه باشد، پارامترهای بهینه را در [2، 3.5] جستجو می کنیم. حداکثر و حداقل ویژگی مجاور در سه ترکیب یافت می شود: [2، 5]، [5، 10] و [10، 15]. توان در سه ترکیب یافت می شود: 1.5، 2 و 2.5. نتایج نشان می دهد که قطر جستجو تأثیر کمی بر نتایج درونیابی دارد. یک ویژگی کوچک مجاور منجر به دقت بالاتر می شود. و توان توان زمانی که در 1.5 و دو تنظیم شود نتیجه بهتری را به همراه دارد.

در نهایت، تنظیمات پارامتر درون یابی با IDW به شرح زیر تعیین می شود: توان توان = 1.5، شعاع جستجو = 2.69 (با سطح دایره)، حداکثر ویژگی مجاور = 10، حداقل ویژگی مجاور = 5. نتایج IDW در شکل 5 نشان داده شده است .

4.3. نقشه برداری AQI با Kriging

ما توزیع داده‌های AQI را از طریق چندین تکنیک ESDA (تجزیه و تحلیل داده‌های فضایی اکتشافی)، مانند هیستوگرام، نمودار چندک-چک (QQ) و نمودار پراکندگی سه‌بعدی، قبل از کریگ کردن این داده‌ها بررسی می‌کنیم.

از شکل 6 ، می توانیم ببینیم که AQI به طور کلی از توزیع نرمال پیروی می کند و مرتبه دوم روند دارد. پس از دریافت بینش در مورد داده ها، مدل تابع هسته نمایی را برای حذف روند داده ها انتخاب می کنیم. بهینه‌سازی پارامتر مدل از تکنیک اعتبارسنجی متقابل تکراری استفاده می‌کند. Semivariogram پس از حذف روند محاسبه می شود. فرض می کنیم که نیم متغیری همسانگرد است. پارامترهای آن، قطعه، آستانه جزئی و سایر موارد، با استفاده از اعتبارسنجی متقاطع با تمرکز بر تخمین این پارامترها بهینه شده اند.

Semivariogram توسط ArcGIS محاسبه شده و سپس با استفاده از روش کریجینگ معمولی درونیابی می شود. پارامترهای درون یابی کریجینگ معمولی در جدول 2 نشان داده شده است .

حداقل و حداکثر تعداد عناصر مجاور نیز باید تعیین شود. وقتی این عدد افزایش می‌یابد، دقت درونیابی به آرامی کاهش می‌یابد. بنابراین، روی [ 2 ، 3 ، 4 ، 5 ] تنظیم می شود .

در محاسبه semivariogram، تعداد مراحل (سطح تاخیر) 12 است. قسمت جستجو یک دایره استاندارد است. حداقل تعداد عناصر مجاور دو است. و حداکثر پنج است. قسمت جستجو (یک دایره) به چهار بخش تقسیم می شود و 45 درجه منحرف می شود.

برای برازش تابع نیم متغیری از مدل پایدار استفاده شد. مدل پایدار به صورت [ 22 ، 36 ] فرموله شده است:

γ (h ؛ θ) = θ س [1 - e x p (- 3 (ساعت آ) θ ه)]

(16)

جایی که $θ_{s}$ نشان دهنده آستانه جزئی، h نشان دهنده فاصله، A محدوده اصلی و $θ_{e}$ یک پارامتر است ( جدول 2 ). عبارت نیم متغیری کامل عبارت است از:

مقادیر (h) = θ 0 + γ (h ؛ θ)

(17)

جایی که $θ_{s}$ نشان دهنده قطعه است. مدل semivariogram برای هر ماه با توجه به پارامترهای درونیابی در جدول 1 ، همانطور که در شکل 7 نشان داده شده است، ترسیم شده است . نتایج درونیابی کریجینگ معمولی در شکل 8 نشان داده شده است .

4.4. نقشه برداری AQI با BME

توزیع فضایی AQI به عنوان یک میدان تصادفی فضایی نشان داده شده است. هدف از کار حاضر تخمین مقادیر میدان تصادفی در یک مکان غیر اندازه گیری با داده های داده شده بود. ما در این مقاله داده های کامل و داده های ناقص را به ترتیب به عنوان داده های سخت و داده های نرم تعریف می کنیم.

شکل 1 را ببینید . 15 ایستگاه داده ناقص وجود دارد و تابع چگالی احتمال کیفیت هوا در این ایستگاه ها به عنوان داده نرم محاسبه می شود. تابع چگالی احتمال ایستگاه های جزئی در شکل 9 نشان داده شده است .

داده های سخت، مقادیر AQI اندازه گیری شده هستند. نیمه متغیرهای نصب شده در بخش 4.3 برای انجام تخمین BME استفاده می شود. سه پارامتر کلیدی وجود دارد که باید هنگام نقشه برداری با BME تعیین شوند: حداکثر تعداد داده های سخت، حداکثر تعداد داده های نرم افزاری، حداکثر شعاع جستجو. پس از بررسی فرآیند، متوجه می‌شویم که داده‌های سخت زیاد و داده‌های نرم باعث کاهش دقت می‌شود. شعاع جستجوی بزرگتر زمانی که فیلد جستجو از حد معینی تجاوز کند تأثیر کمی دارد. در نهایت، حداکثر تعداد داده های سخت = 5، داده های نرم افزاری = 3 و شعاع = 2.69 را تنظیم می کنیم. نتایج نقشه برداری در شکل 10 نشان داده شده است .

4.5. اعتبارسنجی متقابل و مقایسه

نتایج اعتبارسنجی متقابل در جدول 3 نشان داده شده است . شکل 11 نمودارهای مقایسه ستونی از دقت برای سه روش درونیابی است. مقادیر ارزیابی مورد استفاده MAE و RMSIE هستند.

با مقایسه نقشه های کیفیت هوا ساخته شده با سه روش درونیابی، می توان دریافت که نقاط افراطی آشکار در نقشه توزیع روش IDW وجود دارد، در حالی که دو روش دیگر، نقشه های توزیع را مسطح تر می کنند.

به عنوان یک روش درونیابی محلی قطعی، IDW فقط فاصله مکانی را به عنوان عامل موثر بر وزن در نظر می گیرد. توان توان ثابت و به صورت تجربی انتخاب شده است که تخمین نقاط اندازه گیری نشده را بسیار نادرست می کند. OK خود همبستگی فضایی AQI را بین نقاط فضایی در نظر می‌گیرد، اما فقط نیم‌واریوگرام را از مکان‌های داده‌های شناخته شده محاسبه می‌کند و از این نیم‌واریوگرام واحد در پیش‌بینی نقاط مجهول استفاده می‌کند. این فرآیند به طور ضمنی فرض می‌کند که نیم متغیری‌گرام تخمین زده شده، نیم متغیره واقعی ناحیه درونیابی است. از آنجایی که عدم قطعیت تخمین نیم متغیری در نظر گرفته نمی شود، کریجینگ معمولی خطای استاندارد پیش بینی را دست کم می گیرد. روش حداکثر آنتروپی بیزی داده های نرم اضافی را در نظر می گیرد،

در تئوری، دقت روش BME باید بالاتر از OK و OK بیشتر از IDW باشد. نتایج ارزیابی واقعی نیز تا حدودی این موضوع را ثابت می کند. همانطور که در شکل 11 نشان داده شده است ، دقت سه روش درونیابی در زمان های مختلف متفاوت است، اما به طور کلی، روش BME بهترین است. و OK بالاتر از IDW است.

در یک سال مشخص، مشاهده می شود که AQI زمستان (نوامبر) و بهار (بهمن) بسیار بدتر از تابستان (اردیبهشت) و پاییز (مرداد) است. توزیع AQI دارای ویژگی های فضایی آشکار است. آلوده ترین مناطق کیفیت هوا در بخش مرکزی-جنوبی هبی و بخش مرکزی هنان متمرکز شده اند و پس از آن پکن، بخش جنوبی تیانجین و بخش غربی شاندونگ قرار دارند. کیفیت هوا در شانشی، بخش‌های شرقی و شمالی هبی و بخش شرقی شاندونگ نسبتاً خوب است.

مناطق به شدت آلوده مناطق پرجمعیت پکن، تیانجین، هبی، شاندونگ و هنان هستند که در آن تعداد زیادی شهر و کارخانه جمع آوری شده اند و مقادیر زیادی آلاینده تولید می کنند. سرعت باد در این مناطق به دلیل تعداد زیاد ساختمان های شهری کمتر است که باعث می شود آلاینده ها به راحتی پخش نشوند. کیفیت هوا در مناطق با جمعیت کمتر، جایی که پراکندگی شهری پراکنده است و صنعت سنگین چندانی وجود ندارد و آلاینده های کمتری تولید می کند، بهتر است. مناطق مجاور مغولستان داخلی یا نزدیک دریا دارای سرعت باد بالایی هستند. آلاینده های ایجاد شده به سرعت از بین می روند. هوای نزدیک اقیانوس رطوبت هوای بالاتری دارد و بنابراین کیفیت هوای بهتری نسبت به مناطق داخلی دارد.

5. رابطه بین AQI و شرایط هواشناسی

داده های ماهانه هواشناسی از آگوست 2014 تا مه 2016 پکن، تیانجین و ژنگژو (مرکز استان هنان) بر اساس داده های ماهانه دانلود شده استخراج شده است. این داده ها شامل شش عامل هواشناسی است: درصد ناهنجاری بارش، بارش، میانگین سرعت باد، متوسط دما، میانگین فشار بخار آب، میانگین رطوبت نسبی. همبستگی بین هر عامل و AQI با الگوریتم همبستگی زمانی تحلیل شد. منحنی های سری های زمانی و ضرایب همبستگی AQI با هر عامل هواشناسی در شکل 12 نشان داده شده است .

شکل 12 از آگوست 2014 به عنوان صفر محور x استفاده می کند که روند دو سری زمانی را در 22 ماه نشان می دهد. r شاخص همبستگی محاسبه شده است.

به منظور بررسی همبستگی بین AQI و عوامل هواشناسی در شهرهای مختلف، هیستوگرام سه بعدی همبستگی سری زمانی شش عامل در سه شهر ساخته شد. شکل 13 را ببینید .

به دلایل مقایسه، ما همبستگی بین AQI روزانه و داده‌های هواشناسی روزانه از اوت 2014 تا مه 2016 پکن، تیانجین و ژنگژو را تجزیه و تحلیل کردیم. این داده ها همانطور که قبلا در مقیاس روزانه به دست می آیند. پنج عامل هواشناسی، بارش، میانگین سرعت باد، متوسط دما، میانگین فشار بخار آب و میانگین رطوبت نسبی در این تحلیل نقش دارند. منحنی های سری های زمانی و ضرایب همبستگی در شکل 14 و شکل 15 نشان داده شده است .

برای بررسی اینکه آیا تاخیری در همبستگی بین عوامل هواشناسی و کیفیت هوا وجود دارد، ما یک تحلیل همبستگی متقاطع برای دو سری زمانی روزانه انجام دادیم. نتایج در شکل 16 نشان داده شده است .

از شکل 12 و شکل 13 می توان دریافت که میانگین سرعت باد و میانگین رطوبت نسبی یک همبستگی واقعی دارند. یک همبستگی کوچک در میزان بارش و دمای متوسط وجود دارد. دو عامل دیگر همبستگی کمی دارند. میانگین سرعت باد با AQI همبستگی منفی دارد. و رطوبت نسبی با AQI همبستگی مثبت دارد.

در شکل 14 و شکل 15 ، از داده های روزانه برای محاسبه ضریب همبستگی استفاده می کنیم. می توان دریافت که نتایج تقریباً مشابه نتایج محاسبه شده با استفاده از داده های ماهانه است، اما واریانس بیشتری دارند. فقط میانگین سرعت باد و میانگین رطوبت نسبی به همبستگی واقعی رسیده است. عواملی که ضریب همبستگی بالایی دارند که با استفاده از داده‌های ماهانه محاسبه می‌شوند، ضریب همبستگی بالاتری نسبت به داده‌های روزانه دارند، در حالی که عوامل پایین مقدار کمتری دارند. دلایلی وجود دارد که باور کنیم با استفاده از داده های روزانه، همبستگی دقیق تری به دست می آوریم.

از شکل 16 می بینیم که اثر تاخیری بارش بر AQI از مثبت به منفی است. علاوه بر این، رطوبت نسبی با در نظر گرفتن تاخیر زمانی با AQI همبستگی مثبت دارد. ما فکر می‌کنیم که بارش اثر فوری بر کاهش AQI دارد و متعاقباً رطوبت هوا را افزایش می‌دهد که منجر به اثر افزایش بر AQI به طور غیرمستقیم می‌شود. باد یک اثر فوری در کاهش AQI دارد که با شهود ما مطابقت دارد زیرا باد می تواند هوای آلوده را دور کند. به نظر می رسد دمای بالا کیفیت هوا را بدتر می کند و اثر تاخیر طولانی تر دما آشکار است. فشار بخار آب بر AQI تأثیر منفی دارد.

همبستگی میکرو منفی بین AQI و دمای متوسط با نتایج نقشه برداری مطابقت دارد بخش 4 مطابقت دارد. گرمایش در زمستان و بهار در منطقه مورد مطالعه تامین می شود و رطوبت مطلق کم است، در حالی که تابستان و پاییز نیازی به گرمایش ندارند. و رطوبت مطلق بالایی دارد. با این حال، برخی از مطالعات موجود نیز حاکی از آن است که تأثیر گرمایش بر کیفیت هوا به اندازه تصور نیست. ممکن است به این دلیل باشد که سایر صنایع در زمستان آلاینده کمتری تولید می کنند، اگرچه گرمایش باعث افزایش انتشار آلاینده ها می شود. در نتیجه آلاینده های کلی آنچنان افزایش نمی یابد. همبستگی منفی خرد بین AQI و بارش به راحتی قابل درک است. قطرات باران می توانند گرد و غبار و ذرات موجود در هوا را از بین ببرند و تشکیل مه را دشوارتر کنند. همبستگی منفی واقعی بین AQI و میانگین سرعت باد به این دلیل است که باد آلاینده‌ها را می‌برد. میانگین رطوبت نسبی واقعی به طور مثبت با AQI مرتبط است. منظور از رطوبت نسبی، نسبت رطوبت مطلق به رطوبت اشباع در دما و فشار هوا است. اگرچه رطوبت مطلق در زمستان و بهار بسیار کم است، اما رطوبت نسبی آن زیاد است. همبستگی بین رطوبت نسبی و AQI در شش عامل بالاترین میزان است. روند دو سری ثابت است، همانطور که در مشاهده می شودشکل 11 . با مطالعه بیشتر عوامل تأثیرگذار رطوبت نسبی، می توان عواملی را یافت که همبستگی و تأثیر مستقیم بیشتری بر AQI دارند. علاوه بر این، همبستگی بین شش عامل و AQI روند ثابتی را در سه شهر نشان داد. این نشان می دهد که همبستگی زمانی بین AQI و این عوامل هواشناسی به طور جهانی وجود دارد. همچنین تفاوت هایی بین شهرها وجود دارد. همبستگی بین AQI و این عوامل هواشناسی در پکن بیشتر از تیانجین و ژنگژو است. با ترکیب نقشه توزیع AQI در بخش 4 ، می‌توان دریافت که AQI در شهرهایی با کیفیت هوای ضعیف، هنگام تغییر آب و هوا بیشتر از سایرین نوسان می‌کند و همبستگی بیشتری با عوامل هواشناسی دارد.

6. نتیجه گیری

در این مقاله، شرق میانه چین استان های پکن، تیانجین، هبی، شانشی، شاندونگ و هنان به عنوان منطقه مورد مطالعه در نظر گرفته شد. سپس توزیع AQI با روش وزن دهی معکوس فاصله، روش کریجینگ و روش حداکثر آنتروپی بیزی ترسیم شد. همبستگی بین AQI و عوامل هواشناسی با استفاده از تحلیل همبستگی زمانی مورد تجزیه و تحلیل قرار گرفت. پس از بحث و بررسی و تجزیه و تحلیل نتایج، نتایج زیر حاصل می شود:

(1): در سال‌های اخیر، AQI تناوب مشخصی را نشان می‌دهد، اگرچه در مجموع، روند نزولی دارد. AQI در طول زمان به شدت نوسان می کند. اوج AQI در نوامبر، دسامبر و ژانویه ظاهر شد.
(2): درونیابی بیشینه آنتروپی بیزی از دقت بالاتری نسبت به کریجینگ برخوردار است. IDW حداکثر خطا را دارد.
(3): در همان سال، AQI زمستان (نوامبر) و بهار (بهمن) بسیار بدتر از تابستان (مه) و پاییز (مرداد) است. علاوه بر این، کیفیت هوا به مدت سه سال هر سه ماه یکبار بهبود یافته است. این ثابت می کند که استراتژی مدیریت کیفیت هوای دولت در سال های اخیر موثر بوده است.
(4): توزیع AQI دارای ویژگی های فضایی آشکار است. برای منطقه مورد مطالعه، آلوده ترین مناطق کیفیت هوا در پکن، بخش جنوبی تیانجین، بخش مرکزی-جنوبی هبی، بخش مرکزی-شمالی هنان و بخش غربی شاندونگ متمرکز شده است.
(5): میانگین سرعت باد و میانگین رطوبت نسبی همبستگی واقعی دارند. ضرایب همبستگی محاسبه‌شده با استفاده از داده‌های روزانه، از تجزیه و تحلیل ارتباط در مقیاس دقیق‌تر پشتیبانی می‌کند. تأثیر عوامل هواشناسی مانند باد، بارندگی و رطوبت بر AQI دارای تأخیر زمانی به درجات مختلف فرض می‌شود.
(6): AQI شهری با کیفیت هوای ضعیف در هنگام تغییر آب و هوا بیشتر از شهرهای دیگر نوسان می کند و همبستگی بیشتری با عوامل هواشناسی دارد.

در مطالعات بعدی، ما باید توزیع فضایی و زمانی AQI را به طور همزمان ترسیم کنیم، الگوها را شناسایی کنیم و مکانیسم حاکم بر شکل گیری الگوها را کشف کنیم. تکنیک های درون یابی جدید که قادر به ترکیب داده های نامشخص و مکانیسم های پویا هستند نیز برای به دست آوردن دقت بالاتر ابداع خواهند شد. روش‌های پیشرفته مناسب برای تشخیص مقیاس متغیر الگوهای مکانی-زمانی برای پرداختن به مشکلات ذاتی چند مقیاسی در تجزیه و تحلیل داده‌های مکانی ضروری است.

منابع

Sæther، BE; گروتن، وی. Tryjanowski، P. تغییرات آب و هوایی و مکانی-زمانی در پویایی جمعیت یک مهاجر از راه دور، لک لک سفید. J. Anim. Ecol. 2006 ، 75 ، 80-90. [ Google Scholar ] [ CrossRef ] [ PubMed ]
کیریاکیدیس، PC; مجله، مدل‌سازی تصادفی آلودگی اتمسفر AG: یک چارچوب سری زمانی فضایی. بخش اول: روش شناسی. اتمس. محیط زیست 2001 ، 35 ، 2331-2337. [ Google Scholar ] [ CrossRef ]
واروتسوس، سی. Cartalis، C. ارزیابی مجدد ازن سطحی بر روی آتن، یونان، برای دوره 1901-1940. اتمس. Res. 1991 ، 26 ، 303-310. [ Google Scholar ] [ CrossRef ]
Jacovides، CP; واروتسوس، سی. Kaltsounides، NA; پتراکیس، م. لالاس، پارامترهای کدورت جوی DP در سایت بسیار آلوده حوضه آتن. تمدید کنید. انرژی 1994 ، 4 ، 465-470. [ Google Scholar ] [ CrossRef ]
Jacovides، CP; Karalis، JD پارامترهای کدورت باند پهن و وضوح باند طیفی تابش خورشیدی برای دوره 1954-1991، در آتن، یونان. بین المللی جی. کلیم. 1996 ، 16 ، 229-242. [ Google Scholar ] [ CrossRef ]
بروک، RD; فرانکلین، بی. کاسیو، دبلیو. هونگ، ی. هوارد، جی. لیپست، ام. لوپکر، آر. میتلمن، م. صامت، ج. اسمیت، SC; و همکاران آلودگی هوا و بیماری های قلبی عروقی. Curr. مشکل کاردیول. 2012 ، 40 ، 207-238. [ Google Scholar ]
وانگ، TW; لاو، تی اس؛ یو، تی اس; نلر، آ. وانگ، اس ال. تام، دبلیو. Pang، SW آلودگی هوا و پذیرش در بیمارستان برای بیماری های تنفسی و قلبی عروقی در هنگ کنگ. اشغال کنید. محیط زیست پزشکی 1999 ، 56 ، 679-683. [ Google Scholar ] [ CrossRef ] [ PubMed ]
بارنت، AG; ویلیامز، جنرال موتورز; شوارتز، جی. بهترین، TL; نلر، ق. پتروشفسکی، آل. سیمپسون، RW اثرات آلودگی هوا بر بستری شدن در بیماران قلبی عروقی افراد مسن در شهرهای استرالیا و نیوزیلند. محیط زیست چشم انداز سلامتی 2006 ، 114 ، 1018-1023. [ Google Scholar ] [ CrossRef ] [ PubMed ]
کوکن، پی جی؛ Piver، WT; بله، اف. الیکساوزر، ا. اولسن، ال.ام. Portier، CJ دما، آلودگی هوا، و بستری شدن در بیمارستان برای بیماری های قلبی عروقی در میان افراد مسن در دنور. محیط زیست چشم انداز سلامتی 2003 ، 111 ، 1312-1317. [ Google Scholar ] [ CrossRef ] [ PubMed ]
فرتیس، ای. تئودوراکوپولوس، پ. واروتسوس، سی. افستاطیو، م. تزانیس، سی. زیرو، تی. الکساندردو، ن. Aggelou، M. در مورد ارتباط قابل قبول بین شرایط محیطی و آسیب چشم انسان. محیط زیست علمی آلودگی Res. 2002 ، 9 ، 163-165. [ Google Scholar ] [ CrossRef ]
کاتسامباس، ا. آندونیو، سی. استراتیگوس، جی. آروانیتیس، آی. زولوتا، اف. واروتسوس، سی. کارتالیس، سی. Asimakopoulos، DN یک الگوریتم ساده برای شبیه سازی تابش فرابنفش خورشیدی در سطح زمین: کاربرد در تعیین حداقل دوز اریتم. سیارات ماه زمین 1991 ، 53 ، 191-204. [ Google Scholar ] [ CrossRef ]
An، J.-L. وانگ، Y.-S. لی، ایکس. سان، ی. شن، SH رابطه بین تابش UV سطح و آلودگی هوا در پکن. محیط زیست علمی 2008 ، 29 ، 1053-1058. [ Google Scholar ]
Shi, Y. استاندارد کیفیت هوای محیط. J. محیط زیست چین. مدیریت کادر کادر. 2012 ، 1 ، 71. [ Google Scholar ]
لی، ا. بو، Y. درونیابی بارش بر اساس آنتروپی بیشینه بیزی. J. Desert Res. 2012 ، 32 ، 1408-1416. [ Google Scholar ]
بائو، ز. لیو، تی. Luo, J. تجزیه و تحلیل توزیع فضا و زمان شاخص کیفیت محیطی چین. Geomat. جهان 2014 ، 21 ، 17-21. [ Google Scholar ]
ژانگ، بی. لی، دبلیو. یانگ، ی. رویکرد زمین آماری حداکثر آنتروپی بیزی و کاربرد آن در علوم خاک و محیط زیست. اکتا پدول. گناه 2011 ، 48 ، 831-839. [ Google Scholar ]
ژانگ، ی. Yan, H. تجزیه و تحلیل عوامل موثر بر کیفیت هوا در ارومچی. ریاضی. تمرین کنید. نظریه 2015 ، 45 ، 149-154. [ Google Scholar ]
اشرف، م. لوفتیس، جی سی. هابارد، KG کاربرد زمین آمار برای ارزیابی شبکه ایستگاه های هواشناسی جزئی. کشاورزی هواشناسی جنگلی 1997 ، 84 ، 255-271. [ Google Scholar ] [ CrossRef ]
پنگ، اس. توسعه روشهای درونیابی مکانی-زمانی برای عناصر هواشناسی. پایان نامه کارشناسی ارشد، دانشگاه مرکزی جنوبی، چانگشا، چین، 1 ژوئن 2010. [ Google Scholar ]
Bartier، PM; درونیابی چند متغیره کلر، CP برای ترکیب داده های سطح موضوعی با استفاده از وزن دهی معکوس فاصله (IDW). محاسبه کنید. Geosci. 1996 ، 22 ، 795-799. [ Google Scholar ] [ CrossRef ]
کرسی، N. پیش بینی فضایی و کریجینگ معمولی. ریاضی. Geosci. 1988 ، 20 ، 405-421. [ Google Scholar ] [ CrossRef ]
پریرا، جی جی. شولتز، ای تی. Auster، PJ تجزیه و تحلیل جغرافیایی استفاده از زیستگاه در درخت دم زرد لیماندا فروجینیا در بانک جرج. مارس اکل. Prog. 2012 ، 468 ، 279-290. [ Google Scholar ] [ CrossRef ]
ژانگ، FS؛ ژونگ، اس بی؛ یانگ، ZT; سان، سی. وانگ، CL; Huang، QY تخمین فضایی تلفات منتسب به بلایای هواشناسی در یک منطقه خاص (105.0° E-115.0° E، 25° N-35° N) با استفاده از حداکثر آنتروپی بیزی و رگرسیون حداقل مربعات جزئی. Adv. هواشناسی 2016 ، 2016 ، 1-16. [ Google Scholar ] [ CrossRef ]
کریستاکوس، جی. دیدگاه بیزی/آنتروپی حداکثر به مسئله تخمین فضایی. ریاضی. جئول 1990 ، 22 ، 763-777. [ Google Scholar ] [ CrossRef ]
کریستاکوس، جی. Serre، تجزیه و تحلیل ML BME توزیع ذرات ذرات مکانی و زمانی در کارولینای شمالی. اتمس. محیط زیست 2000 ، 34 ، 3393-3406. [ Google Scholar ] [ CrossRef ]
کریستاکوس، جی. Serre, ML; نمایش کوویتز، JL BME از توزیع ذرات معلق در ایالت کالیفرنیا بر اساس اندازه‌گیری‌های نامشخص. جی. ژئوفیس. Res. اتمس. 2001 ، 106 ، 9717-9731. [ Google Scholar ] [ CrossRef ]
Xia، XL; Qi، QW; لیانگ، اچ. ژانگ، ا. جیانگ، ال. بله، ی. لیو، سی. Huang، Y. الگوی توزیع فضایی و تغییرات زمانی آلاینده‌های جوی در سال 2013 در شنژن، چین. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 2. [ Google Scholar ] [ CrossRef ]
Matheron، G. توابع تصادفی ذاتی و کاربردهای آنها. Adv. Appl. احتمالا. 1973 ، 5 ، 439-468. [ Google Scholar ] [ CrossRef ]
Bilonick، RA توزیع فضا-زمان رسوب سولفات در شمال شرقی ایالات متحده. اتمس. محیط زیست 1985 ، 19 ، 1829-1845. [ Google Scholar ] [ CrossRef ]
Bilonick، RA نقشه های ماهانه رسوب یون هیدروژن برای شمال شرقی ایالات متحده از جولای 1982 تا سپتامبر 1984. Atmos. محیط زیست 1988 ، 22 ، 1909-1924. [ Google Scholar ] [ CrossRef ]
سامپسون، PD; Guttorp، P. تخمین ناپارامتری ساختار کوواریانس فضایی ناایستا. مربا. آمار دانشیار 1992 ، 87 ، 108-119. [ Google Scholar ] [ CrossRef ]
دیل، ال. زیمرمن، ام. بریجت، زی. مقایسه برآوردگرهای نیمه متغیروگرام فضایی و پیش بینی کننده های کریجینگ معمولی مربوطه. Technometrics 1991 ، 33 ، 77-91. [ Google Scholar ]
سیمور، جی. روش استفاده مجدد نمونه پیش‌بینی با کاربرد. مربا. آمار دانشیار 1975 ، 70 ، 320-328. [ Google Scholar ]
پنگ، بی. ژونگ، اس. سو، ایکس. لی، ایکس. تجزیه و تحلیل بر دقت درونیابی فضایی بارش در حوضه رودخانه لیجیانگ. J. Meteorol. Res. Appl. 2011 ، 32 ، 30-33. [ Google Scholar ]
Ziegel، ER; چتفیلد، سی. تحلیل سری های زمانی. در تحلیل سری های زمانی ; چپمن و هال: بوکا راتون، فلوریدا، ایالات متحده آمریکا، 2004; صص 199-227. [ Google Scholar ]
جابرو، ج.د. استیونز، WB; ایوانز، تغییرپذیری فضایی RG و همبستگی ویژگی‌های خاک انتخابی در افق Ap یک مرتع CRP. Appl. مهندس کشاورزی 2010 ، 26 ، 419-428. [ Google Scholar ] [ CrossRef ]

شکل 1. منطقه مورد مطالعه، موقعیت آن در چین و ایستگاه های پایش شاخص کیفیت هوا (AQI) مورد استفاده قرار می گیرد.

شکل 2. نمودار جریان تجزیه و تحلیل AQI.

شکل 3. منحنی های روند AQI از آگوست 2014 تا اوت 2016. ( الف ) پکن، تیانجین، هبی ( ب ) هنان. ( ج ) شانشی؛ و ( د ) شاندونگ. فرمت تاریخ: yyyy/mm.

شکل 4. نقشه رادار AQI. ( الف ) AQI از اوت 2014 تا ژوئیه 2015 و ( ب ) از اوت 2015 تا ژوئیه 2016.

شکل 5. نقشه توزیع AQI با استفاده از وزن معکوس فاصله (IDW) (پانل شکل از چپ به راست، از بالا به پایین خوانده می شود: آگوست 2014، نوامبر 2014، فوریه 2015، می 2015، اوت 2015، نوامبر 2015، فوریه 2016، می 2016، آگوست 2016).

شکل 6. بررسی توزیع داده های AQI با چندین تکنیک ESDA (تجزیه و تحلیل داده های فضایی اکتشافی)، مانند هیستوگرام، نمودار چندک-چک (QQ) و نمودار پراکندگی سه بعدی. ( الف ) هیستوگرام توزیع. ( ب ) نمودار QQ معمولی. و ( ج ) تحلیل روند.

شکل 7. مدل های نیمه متغیری تجربی برای نه ماه انتخاب شده (پانل شکل از چپ به راست، از بالا به پایین خوانده می شود: آگوست 2014، نوامبر 2014، فوریه 2015، می 2015، اوت 2015، نوامبر 2015، فوریه 2016، می 2016 ، اوت 2016).

شکل 8. نقشه توزیع AQI با استفاده از کریجینگ معمولی (پانل شکل از چپ به راست، از بالا به پایین خوانده می شود: آگوست 2014، نوامبر 2014، فوریه 2015، می 2015، آگوست 2015، نوامبر 2015، فوریه 2016، می 2016، آگوست 2016).

شکل 9. تابع چگالی احتمال ایستگاه های جزئی.

شکل 10. نقشه توزیع AQI با استفاده از حداکثر آنتروپی بیزی (پانل شکل از چپ به راست، از بالا به پایین خوانده می شود: آگوست 2014، نوامبر 2014، فوریه 2015، می 2015، آگوست 2015، نوامبر 2015، فوریه 2016، می 2016، آگوست 2016).

شکل 11. دقت هر روش درونیابی. ( الف ) اوت 2014; ( ب ) نوامبر 2014; ( ج ) فوریه 2015; ( د ) می 2015; ( ه ) آگوست 2015; ( و ) نوامبر 2015; ( g ) فوریه 2016; ( h ) مه 2016; و ( i ) آگوست 2016.

شکل 12. تحلیل همبستگی زمانی بین عوامل هواشناسی و AQI در پکن.

شکل 13. تحلیل همبستگی زمانی در پکن، تیانجین و ژنگژو. C _i = [پکن، تیانجین، ژنگژو]، F _i = [درصد ناهنجاری بارش، بارش، میانگین سرعت باد، متوسط دما، میانگین فشار بخار آب، میانگین رطوبت نسبی].

شکل 14. تحلیل همبستگی زمانی بین عوامل هواشناسی روزانه و AQI در پکن.

شکل 15. تحلیل همبستگی زمانی در پکن، تیانجین و ژنگژو. C _i = [پکن، تیانجین، ژنگژو]، F _i = [بارش، میانگین سرعت باد، متوسط دما، متوسط فشار بخار آب، میانگین رطوبت نسبی].

شکل 16. تحلیل همبستگی متقاطع زمانی بین عوامل هواشناسی روزانه و AQI در پکن با در نظر گرفتن تاخیر زمانی.

جدول 1. شاخص های آماری مهم داده های AQI روزانه.

جدول 2. پارامترهای درونیابی کریجینگ معمولی.

جدول 3. نتیجه اعتبارسنجی متقاطع از سه روش درونیابی. خوب، کریجینگ معمولی. BME، حداکثر آنتروپی بیزی.

© 2017 توسط نویسندگان. دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC BY) ( http://creativecommons.org/licenses/by/4.0/ ) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب