Journal Of Research In Environmental Health Volume 2, Issue 2, Summer 206 54 54 A study on the most important factors affecting the concentration of particulate matter smaller than 0 microns (PM0) using principal component regression فصلنامه پژوهش در بهداشت محیط / دورة دوم شمارة دوم تابستان 395 ABSTRACT Background & objeftive: Air particulate matters which have natural and human made origins have significant effects on the climate, the environment and human health. Several epidemiological studies have shown a direct relationship among the concentrations of suspended particles with different adverse health effects. The general purpose of this research was to determine the most important parameters affecting on the concentration of PM0 in Tajrish station (Tehran) and develop an estimator model for PM0. Materials & Methods: In this study, a model is constructed using principal component regression (PCR) for the relationship between the hourly concentration of particulate matter smaller than 0 microns with meteorological parameters (WD, WS, T, P, H) and air pollution parameters (CO, NO2, SO2, NOx, NMHC, THC) in Tajrish station (Tehran). The results of the performance evaluation of PCR model were measured in training and testing stages using RMSE, MAE, R and IA as statistical indicators. Results: The results of principal components import into multiple regression model showed that the most important variable affecting on the concentrations of PM0, are air temperature and the wind speed. Also, CO and SO2 emissions were known as synergic factors for PM0 concentration. The results showed that PCR model is able to estimate 4% of PM0 concentrations in the testing. Conclusion: The principal components regression analysis showed that meteorological parameters are one of most important factors affecting on the reduction of PM0 concentration in Tajrish station (Tehran). Document Type: Research article Keywords: Particulate matter smaller than 0 microns, multiple linear regression, principal component analysis, air pollution, Tehran. Citation: Ehsanzadeh A, Nejadkoorki F, Khodadoostan S. A study on the most important factors affecting the concentration of particulate matter smaller than 0microns (PM0) using principal component regression. Iranian Journal of Research in Environmental Health.Summer 206;2 (2) : 54-64. Alireza Ehsanzadeh * M.Sc. Department of Environmental Engineering, Yazd University, Yazd, Iran. (Corresponding Author) Email: ehsanzadehalireza@gmail.com - Farhad Nejadkoorki Assistant professor, Department of Environmental Engineering, Yazd University, Yazd, Iran. Email: f.nejadkoorki@gmail.com Sattar Khodadoostan M.Sc. Department of Statistics, Faculty of Basic Sciences, Yazd University, Yazd, Iran. sattar.kh.69@gmail.com Received: 6 February 206 Accepted: 7 May 206
55 )PM0( میکرون 0 از کوچکتر معلق ذرات غلظت بر مؤثر عوامل مهمترین بررسی اصلی مؤلفههای رگرسیون از استفاده با 0... از کوچکتر معلق ذرات غلظت بر مؤثر عوامل مهمترین بررسی / همکاران و احسانزاده چکیده آبوهوا بر توجهی قابل تأثیرات انسانی و طبیعی منشأ با هوا در موجود معلق ذرات هدف: و زمینه ذرات غلظت بین که دادهاند نشان متعددی اپیدمیولوژیک مطالعات دارند. انسان سالمت و زیست محیط كلي هدف با حاضر مطالعه لذا دارد وجود مستقیمی ارتباط مختلف بهداشتی نامطلوب نتایج با معلق برآوردگر مدل ایجاد و تهران تجریش ایستگاه PM 0 غلظت بر تأثیرگذار پارامترهای مهمترین تعیین شد. انجام PM 0 بررسی برای )PCR( اصلی مؤلفههای رگرسیون از استفاده با مدل یک حاضر مطالعه در روشها: و مواد جهت و )سرعت هواشناسی پارامترهای با میکرون 0 از کوچکتر معلق ذرات ساعتی غلظت بین ارتباط ایستگاه )THC و NOx NMHC SO 2 CO NO 2 ( هوای آلودگی و هوا( دمای و رطوبت فشار باد PCR مدل عملکرد ارزیابی نتایج شد. ارائه 390 تا 385 زمانی دوره به مربوط تهران شهر تجریش قرار سنجش مورد IA و RMSE MAE R آماری شاخصهای از استفاده با آزمون و آموزش مرحله در گرفت. رب مؤثر متغیر مهمترین که داد نشان چندگانه رگرسیون مدل به اصلی مؤلفههای ورود نتایج یافتهها: کننده تشدید عوامل SO 2 و CO آالیندههای همچنین میباشند. باد سرعت و هوا دمای PM 0 غلظت را PM 0 مقادیر درصد 4 تخمین قابلیت آزمون مرحله در PCR مدل داد نشان نتایج هستند. PM 0 دارد. مؤثر عوامل از هواشناسی پارامترهای که داد نشان اصلی مؤلفههای رگرسیون تحلیل نتایج نتیجهگیری: میباشند. تجریش ایستگاه محدوده در PM 0 غلظت کاهش بر پژوهشی مقاله مقاله: نوع خطی رگرسیون میکرون 0 از کمتر قطر با ذرات اصلی مؤلفههای تحلیل هوا آلودگی کلیدواژهها: تهران. شهر چندگانه ذرات غلظت بر مؤثر عوامل مهمترین بررسی س. خدادوستان ف نژادكوركي ع احسانزاده استناد: در پژوهش فصلنامه اصلی. مؤلفههای رگرسیون از استفاده با )PM 0 ( میکرون 0 از کوچکتر معلق 64-54. )2(: 395 2 تابستان محیط. بهداشت احسانزاده علیرضا زیست محیط مهندسی گروه ارشد کارشناس * یزد دانشگاه زیست محیط و طبیعی منابع دانشکده مسئول( )نویسنده ايران. يزد Email: ehsanzadehalireza@gmail.coml نژادکورکی فرهاد منابع دانشکده زیست محیط مهندسی گروه دانشیار ايران. يزد یزد دانشگاه زیست محیط و طبیعی Email: f.nejadkoorki@gmail.com خدادوستان ستار پایه علوم دانشکده آمار گروه ارشد کارشناس ايران. يزد یزد دانشگاه sattar.kh.69@gmail.com 394//7 دریافت: تاریخ 395/02/28 پذیرش: تاریخ
56 فصلنامه پژوهش در بهداشت محیط / دورة دوم شمارة دوم تابستان 395 مقدمه آلودگی هوای شهری یک نگرانی روزافزون جهانی است زیرا اثرات مهمی بر محیط زیست اقلیم و سالمتی جامعه دارد )(. ذرات معلق موجود در هوا با منشأ طبیعی و انسانی تأثیرات قابل توجهی بر آب و هوا محیط زیست و سالمت انسان دارند. مطالعات اپیدمیولوژیک متعددی نشان دادهاند که ارتباط مستقیمی بین غلظت ذرات معلق با نتایج نامطلوب بهداشتی مختلف وجود دارد )2(. در کشورهای در حال توسعه شهرهای بزرگ از جمله شهر تهران با مشکل جدی آلودگی هوا مواجه هستند. امروزه بررسی عوامل مؤثر بر آلودگی هوا به ویژه ذرات معلق در نواحی شهری به دلیل تأثیر آن بر سالمتی انسان یکی از موضوعات مهم در تحقیقات زیستمحیطی است. از این رو بررسی عوامل مؤثر بر غلظت ذرات معلق و تعیین عناصر مؤثر بر آن از ضروریترین برنامههای زیست محیطی در کالن شهرها بهشمار میرود )3(. بررسی عوامل مؤثر بر غلظت آالیندههای شاخص در مناطق مختلف شهرهای آلوده یکی از اقدامات اولیه و گامی مؤثر در ایجاد تصمیمات الزم برای مقابله با آلودگی هواست )4(. امروزه با پیشرفت سریع علم و فناوری روشهای آماری و محاسباتی از اهمیت روزافزونی برخوردار شده است. امروزه روشهای آماری به منظور پیشبینی تخمین و بررسی ارتباط بین متغیرهای مستقل و وابسته مورد استفاده قرار میگیرند. دو شاخه مهم آن روشهای پارامتریک و غیرپارامتریک هستند. تلفیق رگرسیون خطی چندگانه )MLR( با تحلیل مؤلفههای اصلی )PCA( از موضوعات تحقیقات جدید است زیرا با ترکیب این دو روش آماری میتوان از مزایای هر دو بهره برد )5(. استفاده بهتر از رگرسیون خطی چندگانه مستلزم ورود متغیرهای مهم و تأثيرگذار مورد استفاده در آن میباشد. برای تعیین بهترین مقادیر پارامترهای رگرسیون خطی چندگانه به طور معمول از روشهای کاهش ب عد دادهها نظیر PCA استفاده میشود )6(. به همین منظور در مطالعه حاضر از الگوریتم ترکیبی MLR و PCA بهعنوان یک روش بهینهسازی PM 0 استفاده شد. برای تعیین عوامل مؤثر بر غلظت ساعتی بنابراين به دلیل اهميت اين آالينده بر سالمتي و زياد بودن مقدار اين آالينده در هواي تهران آاليندة ذرات معلق کوچکتر از 0 )PM 0 و عوامل مؤثر بر آن مورد بررسی قرار گرفت. میکرون ( از جمله مطالعات انجام شده در خصوص اثبات کارایی روشهای آماری در فرآیند بررسی عوامل مؤثر بر غلظت آالیندههای هوا میتوان به موارد زیر اشاره کرد: مطالعه واردولوکاس و کاسمومنوس )2008( که با استفاده از آنالیز همبستگی پیرسون و روش تحلیل مؤلفههای اصلی به بررسی تأثیر پارامترهای هواشناسی )نظیر سرعت و جهت باد شدت نور NO 2 SO 2 و فشار هوا( و متغیرهای آلودگی هوا )نظیر غلظت PM 0 پرداختند نشان O( 3 بر روی افزایش و کاهش غلظت و داد که پارامترهای هواشناسی سرعت و شدت نور از عوامل مؤثر PM 0 میباشند )6(. در مطالعه هاردیلیکوا و همکاران بر کاهش )2008( که با استفاده از رگرسیون خطی تعمیم یافته )GLM( و توزیع گاما به بررسی تأثیر پارامترهای هواشناسی و آلودگی PM 0 پرداختند بین پارامترهای هواشناسی در هوا بر غلظت PM 0 ارتباط منفی و معناداری وجود داشت برآورد مقدار )7(. نتایج مطالعه چن و همکاران )203( که به پیشبینی ذرات معلق کوچکتر از 0 میکرون و بررسی اثر آالیندههای اصلی هوا و پارامترهای هواشناسی با استفاده از مدل موجک و رگرسیون خطی گامبهگام پرداختند نشان داد که عوامل PM 0 برآوردی دارند )8(. در هواشناسی رابطه منفی با غلظت مطالعه کوا و همکاران )2008( که با کاربرد رگرسیون خطی و شاخص همبستگی پیرسون به بررسی اثر عوامل آلودگی هوا و PM 0 پرداختند بین غلظت متغیرهای هواشناسی بر روی غلظت PM 0 ارتباط افزاینده وجود داشت NO 2 و CO با مقدار SO 2 PM 0 بود )9(. کراسنوا و و سرعت باد از عوامل کاهش دهنده PM 0 و بررسی همکاران )206( از آنالیز روند تغییرات غلظت عوامل مؤثر بر کاهش یا افزایش غلظت آن با استفاده از مدل سریهای زمانی استفاده و پارامترهای هواشناسی را از عوامل کاهنده غلظت ذرات معلق معرفی كردند )0(. هوا و همکاران
57 مدل نظیر فضایی اقتصادسنجی مدلهای از استفاده با )206( )SEM( فضایی خطای مدل و )SLM( فضایی تأخیر اتورگرسیو از کوچکتر معلق ذرات غلظت بر مؤثر عوامل بررسی جهت همکاران و اونال )(. نمودند اقدام )PM 2.5 ( میکرون 2/5 بررسی به خوشهبندی مراتبی سلسله تحلیل از استفاده با )20( و فضایی توزیع بر هوا شاخص آالیندههای و هواشناسی عوامل اثر در )2(. پرداختند میکرون 0 از کوچکتر معلق ذرات مکانی غلظت بین ارتباط بررسی به که )204( همکاران و تیان مطالعه تحلیل و تجزیه و موجک آنالیز توسط هواشناسی عوامل با PM 0 منفی ارتباط PM 0 با هواشناسی عوامل بین پرداختند خاکستری از استفاده با حاضر مطالعه در )3(. داشت وجود معناداری و جهت اصلی مؤلفههای تحلیل بر مبتنی چندگانه خطی رگرسیون از کوچکتر معلق ذرات ساعتی غلظت بین ارتباط بررسی ایستگاه هوای آلودگی و هواشناسی پارامترهای با میکرون 0 کلی هدف با حاضر مطالعه نهایت در شد. ارائه تهران شهر تجریش ایجاد و PM 0 غلظت بر تأثیرگذار پارامترهای مهمترین تعیین شد. انجام تهران تجریش ایستگاه برآوردگر مدل روشکار غلظت بر مختلف عوامل تأثیر بررسی جهت حاضر مطالعه در و هوا آالیندههای غلظت ساعتی دادههای از PM 0 ساعتی تهران شهر تجریش ایستگاه به مربوط هواشناسی پارامترهای اصلی مؤلفههای رگرسیون روش از استفاده اولیه هدف شد. استفاده هوا آلودگی و هواشناسی پارامترهای بین ارتباط بررسی )PCR( بر شده انجام تحلیل اساس بر بعد مرحله در میباشد. PM 0 با استفاده با PM 0 غلظت بر مؤثر عوامل مهمترین دادهها روی در اصلی مؤلفههای تحلیل و چندگانه خطی رگرسیون روش از اصلی مؤلفههای از مطالعه این در شد. اقدام MATLAB نرمافزار مراحل در رگرسیون مدل ورودی عنوان به PCA روش با شده ایجاد رگرسیون مدل خروجی همچنین شد. استفاده آزمون و آموزش کل 80 درصد مطالعه این در شد. گرفته نظر در PM 0 مقدار استفاده مورد آزمون جهت دادهها 20 درصد و آموزش جهت دادهها حذف از بعد و تصادفی بهصورت دادهها تقسیمبندی گرفت. قرار گرفت. انجام پرت و گمشده دادههای تحقیق دادههای شامل و ساعتی صورت به مطالعه این در استفاده مورد دادههای ذرات )CO( مونوکسیدکربن شامل: هوا آالیندههای غلظتهای نیتروژن اکسید دی )PM 0 ( میکرون 0 از کوچکتر معلق )NOx( نیتروژن اکسیدهای )SO2( گوگرد دیاکسید )NO 2 ( هیدروکربنها کل و )NMHC( متان بدون هیدروکربنهای باد سرعت نظیر: هواشناسی پارامترهای برخی همچنین و )THC( هوا رطوبت و )P( فشار )T( هوا دمای )WD( باد جهت )WS( شامل و 385-90 زمانی دوره به مربوط موجود دادههای بود. )H( بود. شده ثبت نمونه 26703 چندگانه خطی رگرسیون بهطوریکه است ریاضی رابطهای برآورد رگرسیون تحلیل از هدف متغیرهای از استفاده با را مجهول متغیری کمیت بتوان آن با بررسي برای که است روشی چندگانه رگرسیون کرد. تعیین معلوم مستقل متغیر چند یا یک و وابسته متغیر یک بین خطی ارتباط میتوان را چندگانه رگرسیون ماتریسی مدل )4(. ميشود استفاده داد: نشان زیر معادله صورت به 0... از کوچکتر معلق ذرات غلظت بر مؤثر عوامل مهمترین بررسی / همکاران و احسانزاده Y Xâ + e = )( معادله ماتریس e رگرسیون ضرایب ماتریس β )( معادله در که باال معادله حل با میباشد. پاسخ ماتریس نیز Y و برازش خطای داشت: خواهیم β حسب بر )- â = ( X' X ( X' Y ) )2( معادله محاسبه برای است. X ماتریس X 'معکوس )3( معادله در که داشته زیادی همبستگی نبايد مستقل متغیرهای )X'X( معکوس معکوس نمیتوان را )X'X( ماتریس صورت این در زیرا باشند محاسبات و دادهها کردن گرد اثر در خطا افزایش باعث و کرد رگرسیونی مدل ساخت از قبل باید مشکل این رفع برای میشود. در مناسب روش برد. بین از را مستقل متغیرهای بین همبستگی
متغیرهای روی اصلی مؤلفههای تحلیل از استفاده خصوص این مشکل این رفع برای قضاوت معیار است. مدل به ورودی مستقل فاکتور ورودی متغیرهای روی اصلی مؤلفههای تحلیل اجرای با واریانس تورم فاکتور برای ایدهآل عدد است. واریانس تورم نشانه واریانس تورم برای 0 از بزرگتر مقادیر و است 6(. )5 است رگرسیونی مدل ناپایداری اصلی مؤلفههای تحلیل خطي جبر نتايج ارزشمندترين از يكي اصلي مؤلفههاي تحلیل از مربوطه اطالعات استخراج پارامتري غير و ساده روش زيرا است اولیه مستقل متغیرهای روش این با است. گيجكننده مجموعههاي میشوند تبدیل همبستگی( )بدون مستقل و جدید مؤلفههای به میشود. استفاده اولیه متغیرهای جای به مؤلفهها این از سپس و با )7(. هستند اولیه متغیرهای از خطی ترکیبی جدید مؤلفههای برای X, X 2,, X n متغیر n از ترکیباتی روش این از استفاده در میشود. برقرار PC, PC 2,, PC n مستقل مؤلفه n ایجاد مؤلفهها در تلفات کمترین با اصلی متغیرهای اطالعات روش این مشخص زیر دنباله با میتواند اصلی مؤلفه هر میماند. محفوظ شود: PCi = ai X + ai2 X 2 +... + ain X )3( معادله n بردار aij نظر مورد مؤلفه معرف PC i )3( معادله در که روش )9(. است اولیه مستقل متغیرهای نیز X i و مربوطه ویژه است: زیر صورت به اصلی مؤلفههای ایجاد برای کار KMO فاکتور محاسبه الف( فرضیاتی قبول و وجود مستلزم PCA روش که آنجایی از میباشد ناپارامتری روشهای از نیست مطالعه مورد جامعه درباره از آمده بهدست نتایج و روش این از استفاده امکان است الزم که صفر بین KMO مقدار شود. مشخص KMO عامل وسیله به آن همبستگی ضرایب از استفاده با عامل این میکند. تغییر یک تا rij )4( معادله در میشود. محاسبه )4( معادله طبق جزئی و ساده است. j و i متغیرهای بین جزئی و ساده همبستگی ضرایب aij و کوچک مستلزم KMO بزرگتر مقادیر معادله این به توجه با 58 395 تابستان دوم شمارة دوم دورة / محیط بهداشت در پژوهش فصلنامه محاسبات دقت بیانگر و میباشد جزئی همبستگی ضرایب بودن )8(. است PCA روش از استفاده با مربوطه p p r2 ij i= i = = p p p p + 2 r2 ij aij i= i = i= i = KMO i j )4( آید بهدست 0/5 از بزرگتر KMO فاکتور که صورتی در مستقل متغیرهای روی بر PCA روش اجرای امکان نشاندهنده است. ورودی: متغیرهای كردن استاندارد ب( نحوی به )5( معادله اساس بر ورودی دادههای مرحله این در یک معیار انحراف و صفر میانگین دارای که میشوند استاندارد باشند. X - ě Z = )5( ó X دادهها شده استاندارد مقادیر معادل Z معادله این در مقادیر σ و متغیر هر میانگین µ ورودی دادههای ماتریس )9(. است متغیر هر برای معیار انحراف اولیه: متغیرهای برای )R( همبستگی ماتریس محاسبه ج( نمونه در تغییرات میزان است متقارن ماتریسی که ماتریس این عضوهای میدهد. نشان هم با را متغیر N همبستگی میزان و بقیه و ورودی متغیرهای واریانس ماتریس این اصلی قطر روی است. ورودی متغیرهای بین کوواریانس ماتریس این درایههای شده استاندارد دادههای از ماتریس این تشکیل برای آنجاييكه از ماتریس معادل ماتریس این دلیل همین به است شده استفاده است. ورودی متغیرهای بین همبستگی از مربوطه ویژه بردارهای و )λ( ویژه مقادیر محاسبه د( همبستگی: ماتریس میشود: حل )6( معادله منظور بدین R - ë I p = 0 ) 6( بنابراین میباشد. p p ب عد با واحد ماتریس یک Ip را λ 2λ... pλ شده مرتب ویژه مقدار p میتوان
59 ره باشد. p برابر ویژه مقادیر مجموع بهطوریکه آورد بهدست ویژگیهای ویژه( )بردارهای آن به مربوط اطالعات با ویژه مقدار که اطالعاتی از درصدی نیز مؤلفه هر میدهد. ارائه را مؤلفه یک معادل و میگیرد بر در را میشود بیان اولیه متغیرهای توسط بیشترین مؤلفه اولین )9(. است مسئله اطالعات از بخشی با میدهد. نشان را واریانس مقدار کمترین آن آخرین و واریانس به دارند را واریانس مقدار بیشترین که اول مؤلفه چند انتخاب )7(. میشوند شناخته اصلی مؤلفههای عنوان مؤلفهها: ضرایب ماتریس روی مناسب چرخش اجرای ه( میشود استفاده اولیه متغیرهای تمام از مؤلفه هر تشکیل در چون برای روشهایی دلیل این به بود. خواهد مشکل مؤلفهها تفسیر چرخش همان روشها این است. آمده بهوجود مؤلفهها سادهتر تفسیر تقسیم مایل و عمودی چرخش نوع دو به که هستند مؤلفهها بین استقالل عمودی چرخش روش در اینکه دلیل به میشوند. قرار استفاده مورد بیشتر چرخش نوع این میشود حفظ مؤلفهها استفاده وریماکس چرخش از بیشتر علمی مطالعات در میگیرد. 9(. )6 است عمودی چرخش روشهای از یکی که میشود PCR مدل اعتبار ارزیابی آمده بهدست نتایج مقایسه و PCR مدل عملکرد ارزیابی جهت شاخص نظیر آماری شاخصهای از آزمون و آموزش مراحل در میانگین )RMSE( خطا مربعات میانگین جذر )IA( صحت میشود استفاده )R( همبستگی ضریب و )MAE( مطلق خطای است. زیر شرح به مربوطه معادالت که )7( معادله N N N 2 å åå ç æ 2 ÉÁ = - (P i - Oi ) ( Pi - O + Oi - O ) i= i= i= è N )8( معادله 2 0.5 RMSE = ( N ( P i - Oi ) ) 0... از کوچکتر معلق ذرات غلظت بر مؤثر عوامل مهمترین بررسی / همکاران و احسانزاده MAE = N æ N N i= P i i= - O N i )9( معادله )0( معادله N ( ( ) 2 2 2 R = ç( P i - O) - Pi - Oi ) Pi - O i= è i= i= مقادیر Oi شده پیشبینی مقادیر Pi دادهها کل Nتعداد كه محاسبه یا مشاهده مقادیر میانگین Ō و شده محاسبه یا مشاهده ميباشند. یافتهها جدول در تجریش ایستگاه دادههای آماری بررسی از حاصل نتایج ساعتی غلظت بر مؤثر عوامل تحلیل از حاصل نتایج ادامه در و است. شده ارائه تجریش هوای کیفیت پایش ایستگاه در PM 0 وسیله به PM 0 بر مؤثر عوامل بررسی و تحلیل مطالعه اين در شد. انجام اصلی مؤلفههای تحلیل بر مبتنی خطی رگرسیون روش تجریش ایستگاه پارامترهای از یک هر آماری مشخصات. جدول WS WD T P H NMHC THC NOx CO SO 2 NO 2 PM 0 نام m/s Deg DegC mbar RH% g/m 3 واحد 0/00 0/0 9/97 0/3 2/76 0/05 0/07 0/00 0/00 0/00 0/0 0/0 حداقل 7/09 355 0/2 0/8 0/85 8/92 0/94 0/29 0/44 0/054 0/24 55 حداکثر /05 0/65 9/2 833 34/7 2/0 5/4 0/06 4/0 0/07 0/04 0/5 میانگین 2/65-0/22 0/34 6/7 /26 0/97 0/23 /7 0/85 0/64 /36 /4 چولگی 39/3-0/ 0/66 0/58 0/96 /65 0/04 /44 0/3 0/76 3/36 4 کشیدگی دادهها پیشپردازش جهت PCA اجرای در استفاده مورد ورودی متغیرهای بین اولیه تحلیل اساس بر تجزیه برای که داشت وجود معنیداری همبستگی تجریش ایستگاه تحلیل روش از رگرسیون مدل به ورودی پارامترهای تحلیل و اجرای امکان بررسی جهت همچنين شد. استفاده اصلی مؤلفههای Kaiser-Meyer-Olkin آزمون( KMO ) از اصلی مؤلفههای تحلیل
60 فصلنامه پژوهش در بهداشت محیط / دورة دوم شمارة دوم تابستان 395 استفاده شد. مقدار 0/506= KMO امکان اجرای روش PCA را تأیید کرد. برای اجرای این روش پس از استاندارد کردن متغیرهای ورودی ماتریس همبستگی پیرسون تشکیل شد که نتایج آن در جدول 2 ارائه شده است. با حل دستگاه معادله )6( مقدار ویژه و به ازای هر مقدار ویژه بردار ویژه برای ایستگاه تجریش حاصل شد که با استفاده از آنها مؤلفههای اصلی از متغیرهای اولیه بهدست آمد. مقدار عددی هر مؤلفه با تقسیم مقادیر ویژه بهدست آمده بر تعداد متغیرهای مورد استفاده بهدست آمد. درصد پراکندگی نیز از تقسیم مقدار عددی هر مؤلفه بر تعداد متغیرهای مورد استفاده محاسبه شد. مشخصات هر مؤلفه در جدول 3 آورده شده است. مؤلفههایی که مقادیر ویژه آنها بیشتر از یک بود به عنوان مؤلفههای اصلی انتخاب شدند. اسکری پالت مؤلفههای اصلی نمایش در شکل داده شده است. با توجه به جدول 3 مقادیر ویژه مؤلفه اول تا پنجم در ایستگاه تجریش بزرگتر از بوده و به صورت جمعی دارای واریانس تجمعی 78/327 درصد کل دادهها بودند همچنین مقدار اولین مؤلفه برابر 2/854 بود که 25/94 درصد از کل واریانس موجود در سری دادهها را توجیه میکند. بدین ترتیب مؤلفه اول تا پنجم در ایستگاه تجریش دارای مقادیر ویژه بزرگتر از یک بودند که میتوان این مؤلفهها را به عنوان مؤلفههای اصلی انتخاب و بهعنوان ورودی مدل رگرسیون استفاده کرد. جدول 2. ماتریس همبستگی پیرسون بین متغیرهای ورودی روش PCA PM 0 ** NO 2 PM0 SO 2 0/24 NO 2 CO 0/29 0/29 SO 2 NOx 0/44 0/50 0/30 CO THC 0/62 0/38 0/87 0/26 NOx NMHC 0/2 0/24-0/05 0/2 0/3 THC HUM 0/85 0/25 0/52 0/00 0/23 0/22 NMHC Press 0/02 0/2 0/28 0/22 0/25 0/8-0/02 HUM Temp 0/0 0/07 0/0 0/08 0/05 0/03 0/08 0/05 Press WD -0/02-0/65-0/08-0/9-0/27-0/22-0/2-0/9-0/0 Temp WS 0/4 0/4-0/09-0/ 0/00-0/2-0/20-0/3-0/0-0/08 WD -0/05 0/9 0/0-0/27-0/09-0/20-0/8-0/4-0/ -0/0 0/06 WS جدول 3. مشخصات مؤلفههای ایجاد شده با روش PCA 9/209 94/879 97/8 98/698 0 4/490 3/670 2/239 /579 /302 0/494 0/404 0/246 0/74 0/43 7 8 9 0 مؤلفهها 2 3 مقادیر ویژه 2/854 /958 /48 ایستگاه تجریش درصد واریانس 25/94 7/796 3/468 واریانس تجمعی 25/94 43/738 57/206 ضرایب بردارهای ویژه ایستگاه تجریش در جدول 4 آمده است. بر اساس جدول 4 در مؤلفه اول ضرایب مربوط به متغیرهای THC و NMHC دارای مقادیر بیشتری بودند و تأثیر 68/4 78/327 86/79 0/935 0/86 8/39 /203 /20 0/923 4 5 6
6 بسزایی در تشکیل این مؤلفه داشتند که با قلم پررنگ مشخص NO 2 و NOx و در مؤلفه شده است. در مؤلفه دوم متغیرهای سوم مقدار فشار هوا و جهت باد عوامل اصلی ایجاد این مؤلفه SO 2 CO 2 بودند. همچنین در تشکیل مؤلفه چهارم متغیرهای و رطوبت هوا و در نهایت در مؤلفه پنجم دمای هوا و جهت باد مؤثرترین عوامل ایجاد این مؤلفه بودند. معادلههای )( تا )5( مؤلفههای اصلی ایجاد شده با متغیرهای مهم جهت ورود به تحلیل رگرسیون را نشان دادهاند. احسانزاده و همکاران / بررسی مهمترین عوامل مؤثر بر غلظت ذرات معلق کوچکتر از 0... معادله )2( PC 2 = (0/952 NO 2 ) + (0/925 NOx) معادله )3( PC 3 = (0/869 P) + (0/838 WD) معادله )4( PC 4 = (0/742 SO 2 ) + (0/57 CO)+(0/707 H) معادله )5( PC 5 = (0/795 T) + (0/97 WS) مدل رگرسیون مبتنی بر مؤلفههای اصلی به طوری کلی در مطالعه حاضر از روش PCA به منظور حذف همبستگی بین عوامل ورودی روش رگرسیون و تحلیل آسانتر PM 0 استفاده شد. به منظور توسعه مدل رگرسیون عوامل مؤثر بر مؤلفههای اصلی از 5 مؤلفه ایجاد شده ایستگاه تجریش به عنوان ورودی مدل رگرسیون استفاده شد. به منظور بررسی پیشفرض نرمال بودن توزیع خطای باقیماندههای مدل رگرسیون از آزمون دوربین - واتسون استفاده شد. در صورتی که مقدار این آماره بین /5-2/5 باشد نشاندهنده نرمال بودن توزیع خطا است. در مدل رگرسیون ایجاد شده مقدار این آماره /7 بهدست آمد که نشان از نرمال بودن توزیع خطا داشت. همچنين جهت بررسی پیشفرض عدم همخطی )استقالل خطاها( از آماره تورم واریانس استفاده شد که مقدار ایدهآل آن و مقادیر بیشتر از 0 نشاندهنده مشکلساز بودن همخطی بین متغیرهای مستقل در مدل رگرسیون است. مشکل همبستگی بین متغیرهای مستقل نیز با استفاده از روش PCA رفع شد. پس از تأیید نرمال بودن توزیع مقادیر خطا و رفع مشکل همبستگی در متغیرهای مستقل مدلی مناسب با استفاده از روش رگرسیون خطی چندگانه برای تعیین مهمترین متغیرهای PM 0 مقدار شاخص کیفیت هوا بسط یافت. مؤثر بر غلظت نتایج ورود مؤلفههای اصلی به مدل رگرسیون ایستگاه تجریش در جدول 5 آمده است. از پنج مؤلفه ایجاد شده به عنوان ورودی مدل رگرسیون استفاده شد. در معادله )6( مدل رگرسیون مؤلفههای PM 0 و ضرایب هر یک از مؤلفههای اصلی ارائه اصلی برآوردگر PM 0 در شده است. نتایج ارزیابی عملکرد مدل PCR ب رآوردگ ر شکل. اسکری پالت مؤلفههای اصلی بر اساس مقادیر ویژه جدول 4. ضرایب بردارهای ویژه برای ایجاد مؤلفه اصلی مؤلفههای اصلی ایستگاه تجریش 5 4 3 2 پارامترها 0/07-0/04 0/02 0/952 0/054 NO 2 0/08-0/742 0/45-0/2 0/037 SO 2 0/048-0/58 0/44-0/308 0/433 CO 0/048-0/234 0/007 0/925 0/092 NOx 0/070-0/047 0/02-0/054 0/9 THC 0/006-0/093 0/053-0/059 0/922 NMHC 0/099 0/707 0/370 0/050 0/025 H 0/045 0/42 0/869 0/045 0/075- P 0/795 0/36-0/206 0/054-0/090- T 0/9 0/48-0/838 0/03-0/022- WD 0/97 0/206 0/009 0/07-0/008- WS معادله )( PC = (0/9 THC) + (0/922 NMHC)
62 395 تابستان دوم شمارة دوم دورة / محیط بهداشت در پژوهش فصلنامه شکل در است. شده داده نشان 6 جدول در آزمون و آموزش مرحله آموزش مرحله در شده برآورد و واقعی مقادیر به مربوط پالتهای 2 است. شده داده نشان PCR مدل آزمون و )6( معادله PM 0 = 7/07+(5/85 PC )+(0/853 PC 2 )+( /302 PC 3 )+(32/630 PC 4 )+(52/872 PC 5 ) چندگانه رگرسیون مدل به اصلی مؤلفههای ورود نتایج 5. جدول مؤلفهها (Constant) تجریش ایستگاه ضرایب 7/07 تورم فاکتور واریانس سطح معنیداری /000 /000 /000 /000 /000 5/85 0/835 /302 32/630 52/872 PC PC 2 PC 3 PC 4 PC 5 اصلی مؤلفههای رگرسیون مدل ارزیابی نتایج 6- جدول RMSE (0) MAE (0) R () IA () مدل PCR 58/79 42/76 0/424 آموزش مرحله 59/05 43/02 0/42 آزمون مرحله میدهد. نشان را شاخص هر ایدهآل مقادیر پرانتز داخل اعداد PCR مدل آزمون و آموزش مرحله به مربوط پالتهای شکل 2. بحث متغیرهای برخی عددی ضریب مؤلفهها ضرایب جدول به توجه با پررنگ قلم با که بودند برخوردار بیشتری وزن از PCA به ورودی مؤلفههای ورود نتایج اساس بر است. شده مشخص قرمز رنگ و با پنجم مؤلفه تجریش ایستگاه چندگانه رگرسیون مدل به اصلی متغیرهای مهمترین داشت. را اهمیت بیشترین 52/872 ضریب همچنین بودند. باد سرعت و هوا دمای مؤلفه این دهنده تشکیل بسزایی اهمیت از پنجم مؤلفه از بعد 32/630 با چهارم مؤلفه با ترتیب به اول و دوم سوم مؤلفه بود. برخوردار PM 0 برآورد در و چهارم سوم رتبههای در و 5/85 0/835 /302 ضرایب آموزش مرحله در PCR مدل عملکرد ارزیابی نتایج بودند. پنجم و RMSE MAE R آماری شاخصهای از استفاده با آزمون و مدل آمده بهدست نتایج اساس بر گرفت. قرار سنجش مورد IA PM 0 مقادیر 42 درصد تخمین قابلیت آموزش مرحله در PCR بهدست مشابهی تقریبا نتایج آزمون مرحله در همچنین داشت را همبستگی ضریب 2 جدول از آمده بهدست نتایج اساس بر آمد. مؤلفه که کرد استنباط اینگونه میتوان )6( معادله و پیرسون بر و داشتند PM 0 برآورد در را اهمیت بیشترین چهارم و پنجم رابطه دارای باد سرعت متغیر پیرسون همبستگی ضریب اساس معادله در پنجم مؤلفه ضریب اساس بر و بود PM 0 با منفی همچنین بودند. PM 0 غلظت کاهش در عامل مهمترین )6( PM 0 غلظت با منفی رابطه دارای هوا رطوبت و دما متغیرهای ذکر به الزم بودند. هوا در موجود PM 0 کاهشدهنده عوامل از و PM 0 غلظت کننده تشدید عوامل از SO 2 و CO آالیندههای است محدوده در آالینده این غلظت افزایش در بسزایی اهمیت از و بوده بودند. برخوردار تهران شهر تجریش هوای کیفیت پایش ایستگاه )2008( کاسمومنوس و واردولوکاس مطالعه با حاضر مطالعه نتایج همبستگی ضریب و اصلی مؤلفههای تحلیل از استفاده با که بر هوا آلودگی و هواشناسی پارامترهای تأثیر بررسی به پیرسون غلظت بین کاهندهای و منفی رابطه و پرداختند PM 0 غلظت روی نتایج با همچنین و )6( دادند نشان زمین سطح ازن و باد سرعت
63 رگرسیون مدل از استفاده با که )2008( همکاران و كوا مطالعه پارامترهای تأثیر بررسی به نسبت موجک آنالیز و گام به گام با که دادند نشان و پرداختند PM 0 بر هوا آلودگی و هواشناسی مییابد افزایش نیز PM 0 مقدار SO 2 و NO 2 آالیندههای افزایش چن مطالعه با حاضر مطالعه نتايج همچنین )9(. داشت همخوانی آنالیز و تصمیم درخت مدل از استفاده با که )203( همکاران و PM 0 غلظت بر مؤثر عوامل بررسی و پیشبینی به موجک باد سرعت نظیر هواشناسی پارامترهای که دادند نشان و پرداختند تفاوت این با میباشند PM 0 دهنده کاهش عوامل از هوا دمای و مقدار برآورد در برتری مطلقا عملکرد مصنوعی هوش مدلهای که و دارند تحقیق این در استفاده مورد PCR مدل به نسبت PM 0 تیان مطالعه در )8( دارد همخوانی حاضر مطالعه با تحقیق نتایج محاسباتی هوش مدلهای از استفاده با که )204( همکاران و آماری شاخصهای مقایسه با و پرداختند PM 0 برآورد به نسبت محاسباتی هوش مدلهای که دادند نشان MAE و R RMSE این در استفاده مورد PCR مدل به نسبت برتری مطلقا عملکرد )3(. دارد مطالعه آلودگی سنجش ایستگاه یک سطح در مطالعه تحقیق این در آلودگی موضوع زیاد بسیار اهمیت دلیل به که شد انجام هوا پیشنهاد تهران نظیر آلوده شهرهای در معلق ذرات از ناشی هوا انجام وسیعتر سطح در مطالعه آینده مشابه مطالعات در میشود افزایش یا کاهش بر مؤثر عوامل دقیقتر بررسی جهت و شود از و گستردهتر سطح در پژوهش میشود پیشنهاد PM 0 غلظت ژنتیک مثل تکاملی الگوریتمهای ترکیب نظیر مختلف روشهای بررسی به نسبت مصنوعی عصبی شبکههای با استعماری رقابت و بسیار دقت با برآوردگر مدلهای توسعه و PM 0 بر مؤثر عوامل یک عنوان به میتواند تحقیق این دستآوردهای شود. اقدام باال شهر در معلق ذرات از ناشی هوا آلودگی حوزه در پایه مطالعه اتخاذ جهت شهری برنامهریزان و مدیران استفاده مورد تهران تعیین و شهری هوای آلودگی از پیشگیری برای کنترلی تدابیر گیرد. قرار تنفسی هوای کیفیت بر نامطلوب عناصر نتیجهگیری غلظت بر متفاوتی اثرات هوا آلودگی و هواشناسی پارامترهای داد نشان اصلی مؤلفههای رگرسیون تحلیل نتایج دارند. PM 0 محدوده در PM 0 غلظت کاهش در عامل مهمترین باد سرعت که از SO 2 و CO آالیندههای همچنین میباشد. تجریش ایستگاه میباشند. PM 0 غلظت کننده تشدید عوامل قدردانی و تشکر اختیار در خاطر به زیست محیط حفاظت سازمان از بدینوسیله میشود. قدردانی و تشکر تحقیق دادههای گذاشتن 0... از کوچکتر معلق ذرات غلظت بر مؤثر عوامل مهمترین بررسی / همکاران و احسانزاده Reference:. Li L, Qian J, Ou C-Q, Zhou Y-X, Guo C, Guo Y. Spatial and temporal analysis of Air Pollution Index and its timescaledependent relationship with meteorological factors in Guangzhou, China, 200 20. Environmental Pollution. 204;90:75-8. 2. You W, Zang Z, Zhang L, Li Z, Chen D, Zhang G. Estimating ground-level PM0 concentration in northwestern China using geographically weighted regression based on satellite AOD combined with CALIPSO and MODIS fire count. Remote Sensing of Environment. 205;68:276-85. 3. Petelin D, Grancharova A, Kocijan J. Evolving Gaussian process models for prediction of ozone concentration in the air. Simulation modelling practice and theory. 203;33:68-80. 4. Russo A, Raischel F, Lind PG. Air quality prediction using optimal neural networks with stochastic variables. Atmospheric Environment. 203;79:822-30. 5. Chai Y, Jia L, Zhang Z, editors. Mamdani model based adaptive neural fuzzy inference system and its application in traffic level of service evaluation. Fuzzy Systems and Knowledge Discovery, 2009 FSKD'09 Sixth International Conference on; 2009: IEEE. 6. Vardoulakis S, Kassomenos P. Sources and factors affecting PM 0 levels in two European cities: implications for local air quality management. Atmospheric Environment. 2008;42(7):3949-63. 7. Hrdličková Z, Michalek J, Kolář M, Veselý V. Identification of factors affecting air pollution by dust aerosol PM 0 in Brno City, Czech Republic. Atmospheric Environment.
2008;42(37):866-73. 8. Chen Y, Shi R, Shu S, Gao W. Ensemble and enhanced PM 0 concentration forecast model based on stepwise regression and wavelet analysis. Atmospheric Environment. 203;74:346-59. 9. Kuo C-Y, Chen P-T, Lin Y-C, Lin C-Y, Chen H-H, Shih J-F. Factors affecting the concentrations of PM 0 in central Taiwan. Chemosphere. 2008;70(7):273-9. 0. Krasnov H, Katra I, Friger M. Increase in dust storm related PM 0 concentrations: A time series analysis of 200 205. Environmental Pollution. 206;23:36-42.. Hao Y, Liu Y-M. The influential factors of urban PM 2.5 concentrations in China: a spatial econometric analysis. Journal of Cleaner Production. 206;2:443-53. 2. Unal YS, Toros H, Deniz A, Incecik S. Influence of meteorological factors and emission sources on spatial and temporal variations of PM0 concentrations in Istanbul metropolitan area. Atmospheric Environment. 20;45(3):5504-3. 3. Tian G, Qiao Z, Xu X. Characteristics of particulate matter (PM 0) and its relationship with meteorological factors during 200 202 in Beijing. Environmental Pollution. 204;92:266-74. 4. Rawlings JO, Pantula SG, Dickey DA. Applied regression analysis: a research tool: Springer Science & Business Media; 998. 5. Chatterjee S, Hadi AS. Regression analysis by example: John Wiley & Sons; 205. 6. NouriI, R.E., K. Ashrafi, and A. Azhdarpour, Comparison of ANN and PCA based multivariate linear regression applied to predict the daily average concentration of CO: A case study of Tehran. 2008. Journal of the Earth and Space Physics.2008:34(2). 7. Çamdevýren H, Demýr N, Kanik A, Keskýn S. Use of principal component scores in multiple linear regression models for prediction of Chlorophyll-a in reservoirs. Ecological Modelling. 2005;8(4):58-9. 8. Abdul-Wahab SA, Bakheit CS, Al-Alawi SM. Principal component and multiple regression analysis in modelling of ground-level ozone and factors affecting its concentrations. Environmental Modelling & Software. 2005;20(0):263-7. 9. Jolliffe I. Principal component analysis: Wiley Online Library; 2002. 64 فصلنامه پژوهش در بهداشت محیط / دورة دوم شمارة دوم تابستان 395