داده‌کاوی نقش آلاینده‌های هوا (نیترات و نیتریت اکسید) در تغییرات دما و بارش ایستگاه سینوپتیک تبریز با استفاده از یادگیری ماشین شبکۀ عصبی پرسپترون چندلایه و رگرسیون لجستیک

نوع مقاله : پژوهشی

نویسندگان

1 استاد، آب‌وهواشناسی، دانشکدۀ برنامه‌ریزی و علوم محیطی، دانشگاه تبریز

2 استاد، سنجش ‌از دور و سامانۀ اطلاعات جغرافیایی، دانشکدۀ برنامه‌ریزی و علوم محیطی، دانشگاه تبریز

3 دانشجوی دکتری آب‌وهواشناسی، دانشکدۀ برنامه‌ریزی و علوم محیطی، دانشگاه تبریز

چکیده

هدف از این تحقیق، داده‌کاوی نقش آلاینده‌های هوا (نیترات و نیتریت اکسید)، در تغییرات عناصر دما و بارش 24 ساعته در ایستگاه سینوپتیک تبریز است. مواد و داده‌های به‌کاررفته در این تحقیق از دو منبع متفاوت‌اند. داده‌‌های درجه‌حرارت و بارش از ایستگاه هواشناسی سینوپتیک تبریز به‌صورت ساعتی برای مدت 31 سال و داده‌های آلاینده‌های‌ هوای تبریز (نیترات و نیتریت اکسید) از سازمان محیط‌زیست تبریز اخذ شده است. در ارتباط با داده‌های آلایندۀ هوا می‌توان گفت این داده‌ها توسط زبان برنامه‌نویسی R یادگیری ماشین شبکۀ عصبی پرسپترون چند‌لایه شبیه‌سازی ‌شده است. در ادامه، روش‌های یادگیری از رگرسیون لجستیک با هدف پیش‌بینی اثرات آلاینده‌ها در تغییرات دما و بارش استفاده شد. در مدل لجستیک، دما و بارش به‌عنوان متغیر‌های وابسته و غلظت نیترات و نیتریت اکسید به‌عنوان متغیرهای پیش‌بین مستقل انتخاب شدند. کل داده‌ها در تحلیل وارد شد و مدل لجستیک معنی‌دار بود. مجذور کای در نیترات و نیتریت اکسید برابر ‌‌‌‌‌‌‌‌348/01 محاسبه شد که در سطح خطای کمتر از 0/05 معنی‌دار بود. متغیرهای مستقل مذکور توانسته‌اند بین 84 تا 60 درصد از تغییرات را که منجر به  افزایش دما و کاهش بارش شده بود، به‌درستی تبیین کنند. 78/2 درصد از ماه‌هایی که تغییرات نداشتند، درست طبقه‌بندی شدند و 97/2 درصد از پیش‌بینی‌ها دربارۀ تغییرات دما و بارش صحیح بود. درکل، 90/9 درصد از پیش‌بینی‌ها درست تخمین زده شده است. نتایج نشان داد که آلاینده‌ها اثر معنی‌داری روی افزایش دما و کاهش بارش در ایستگاه سینوپتیک تبریز دارد. بیشترین و کمترین میزان نیترات اکسید به‌ترتیب در ماه‌های شهریور و اسفند، نیتریت در شهریور و اردیبهشت، دما در تیر و دی و بارش در فروردین و مرداد مشاهده‌ شده است.

کلیدواژه‌ها

موضوعات


[1] Jia Q, Wang YP. Relationships between Leaf Area Index and Evapotranspiration and Crop Coefficient of
Hilly Apple Orchard in the Loess Plateau. Water. 2021; 13: 1957.
[2] Huete A, Didan K, Shimabukuro Y, Ratana P, Saleska S, Hutyra L, Yang W, Nemani R, Myneni R. Amazon
rainforests green-up with sunlight in the dry season. Geophysical Research Letters. 2006; 33 (6): 4.
[3] Wright I, Nobre CA, Tomasella J, Da Rocha HR, Roberts J, Vertamatti E, Culf A, Alvala R., Hodnett M,
Ubarana V. Towards a GCM surface parameterization for Amazonia, In: Gash, J., Nobre, C., Roberts, J.,
Victoria, R. (Eds.), Amazon Deforestation and Climate. J. Wiley & Sons, Chichester, UK. 1996; 473–504.
[4] Costa MH, Foley J. Combined effects of deforestation and doubled atmospheric CO 2 on the climate of
Amazonia. Journal of Climate. 2000; 13: 18–34.
[5] Nobre CA, Silva Dias MAF, Culf A, Polcher J, Gash JH, Marengo J, Avissar R. The Amazonian climate. In:
Kabat, P., et al. (Eds.), Vegetation, Water, Humans and the Climate. Springer Verlag, New York. 2004; 79–
92.
[6] Li Y, Li Z, Wu H, Zhou C, Liu X, Leng P, Yang P, Wu W, Tang R, Shang G. Ma L. Biophysical impacts of
earth greening can substantially mitigate regional land surface temperature warming. Nature Communications.
2023; 14: 121.
[7] Shahmordadi S, Ghafarian Malmiri H. Amini M. Extraction of soil moisture index (TVDI) using a scatter
diagram temperature / vegetation and MODIS images. RS & GIS for Natural Resources. 2021; 12 (1): 38-62.
[In Persian]
[8] Chen B, Wu Z, Wang J, Dong J, Guan L, Chen J, Yang K, Xie G. Spatio- temporal prediction of leaf area
index of rubber plantation using HJ-1A/1B CCD images and recurrent neural network. ISPRS Journal of
Photogrammetry and Remote Sensing. 2015; 102: 148– 160.
[9] Naithani KJ, Baldwin DC, Gaines K P, Lin H, Eissenstat DM. Spatial distribution of tree species governs the
spatio- temporal interaction of leaf area index and soil moisture across a forested landscape. Vegetative
Controls on Hydrology. 2013; 8 (3): 12.
[10] Gigante V, Iacobellis V, Manfreda S, Milella P, Portoghese I. Influences of leaf area index estimations on
water balance modeling in a mediterranean semi-arid basin. Natural Hazards and Earth System Science. 2009;
9 (3): 979-991.
[11] Nearing GS, Crow WT, Thorp KR, Moran MS, Reichle R.H, Gupta HV. Assimilating remote sensing
observations of leaf area index and soil moisture for wheat yield estimates: An observing system simulation
Experiment. Water Resources Research. 2012; 48: 13 pp.
[12] Yan H, Wang SQ, Billesbach D, Oechel W, Zhang J H, Meyers T, Martin TA, Matamala R, Baldocchi D,
Bohrer G, Dragoni D, Scott R. Global estimation of evapotranspiration using a leaf area index-based surface
energy and water balance model. Remote Sensing of Environment. 2012; 124: 581–595.
[13] Arx G v, Pannatier E G, Thimonier A, Rebetez M. Microclimate in forests with varying leaf area index and
soil moisture: Potential Implications for Seedling Establishment in a Changing Climate. Journal of Ecology.
2013: 1201–1213.
[14] Chen M, Willgoose G R, Saco P M. Investigating the impact of leaf area index temporal variability on soil
moisture predictions using remote sensing vegetation data. Journal of Hydrology. 2015; 522: 274–284.
[15] Li S, Sawada Y. Soil moisture-vegetation interaction from near-global in-situ soil moisture measurements.
Environmental Research Letters. 2022; 17: 114028
[16] MODIS Web.https://modis.gsfc.nasa.gov/data/dataprod/mod15.php (accessed on 21 November 2017).
[17] Davoodi E, Ghasemieh H, Abdollahi Kh, Batelaan O. Evaluation of temporal-spatial variations of soil
moisture balance by Thorenthwaite Matter method (Case study: Behesht Abad basin). RS & GIS for Natural
Resources. 2018; 9 (1): 74-92. [In Persian]
[18] Liu L, Zhang R, Zuo Z. The Relationship between Soil Moisture and LAI in Different Types of Soil in
Central Eastern China. Journal of Hydrometeorology. 2016; 17 (11): 2733–2742
[19] Wang J, Bao Z, Wang G, Liu C, Xie M, Wang B, Zhang J. The Time Lag Effects and Interaction among
Climate, Soil Moisture, and Vegetation from In Situ Monitoring Measurements across China. Remote Sensing.
2024; 16: 2063.
[20] Li W, Wang Y, Yang J, Deng Y. Time-Lag Effect of Vegetation Response to Volumetric Soil Water
Content: A Case Study of Guangdong Province, Southern China. Remote Sensing. 2022; 14: 1301.
[21] Na L, Na R, Bao Y, Zhang J. Time-Lagged Correlation between Soil Moisture and Intra-Annual Dynamics
of Vegetation on the Mongolian Plateau. Remote Sensing. 2021; 13(8):1527.
[22] Mohammadi Motlagh R. GIS applied training. Barg sabz Publications. Third edition. 2016. 464 pages. [In
Persian]
دوره 11، شماره 2
تیر 1403
صفحه 223-234
  • تاریخ دریافت: 20 فروردین 1403
  • تاریخ بازنگری: 28 اردیبهشت 1403
  • تاریخ پذیرش: 28 خرداد 1403
  • تاریخ اولین انتشار: 01 تیر 1403
  • تاریخ انتشار: 01 تیر 1403