نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری آب و هواشناسی گرایش مخاطرات آب و هوایی. دانشگاه یزد

2 استاد اقلیم شناسی، گروه جغرافیا، دانشگاه یزد

3 دانشیار اقلیم شناسی، گروه جغرافیا، دانشگاه یزد

چکیده

ذرات معلق با قطر کوچکتر از 10 میکرون (PM10) و دید افقی، به عنوان دو فراسنج مهم در پژوهشهای مرتبط با ریزگردها و گرد و غبارهای تروپوسفری شناخته میشوند که آلودگی هوا تا اندازهی زیادی وابسته به مقدار این دو فراسنج در زمان است. این پژوهش، رابطه‎ی میان فراسنجهای PM10 و دید افقی را با کاربست الگوریتم تکاملی ژنتیک واکاوی کرده است. منطقهی مورد بررسی شهر یزد در جایگاه نمایندهی ایران مرکزی بوده است. دیدهای افقی به تفکیک شرایط همدیدی 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 چندین گونه تابع نامی دیگر مورد همسنجی قرار گرفتند؛ که تابع گوسین به عنوان مناسبترین تابع برازندگی گزینش گردید. دستآوردهای این پژوهش، روابط ریاضی میان PM10 و دید افقی در حالت فراگیر، PM10 و دید افقی هنگام رخداد کد همدید 05 و PM10 با دید افقی هنگام رخداد کد همدید 09، با کاربست تابع گوسین با دورهی 1؛ و رابطه میان PM10 و دید افقی در هنگام رخداد شرایط همدید با کد 06 و 07 با کاربست تابع گوسین با دوره 2 میباشند.

کلیدواژه‌ها

عنوان مقاله [English]

Assessment of the relationship between PM10 and visibility in the separation of synoptic code in Yazd

نویسندگان [English]

  • Mahdi Dehghan 1
  • Kamal Omidvar 2
  • Gholamali Mozafari 3
  • Ahmad Mazidi 3

1 PhD Student of Climatology, Faculty of Geographical Sciences, Yazd University, Yazd, Iran

2 Professor of Climatology, Faculty of Geographical Sciences, Yazd University, Yazd, Iran

3 Associate Professor of Climatology, Faculty of Geographical Sciences, Yazd University, Yazd, Iran

چکیده [English]

The particulate matter less than 10 µm (PM10) and visibility are known as two important parameters in researches connected to the tropospheric aerosols and dust so that the air pollution is related to those at the specific time. This study analyzes the relationship between PM10 and visibility whit using evolutional Genetic Algorithm. The area’s case study was Yazd city as representative of central of Iran. Visibilities data whit separation of 05, 06, 07 and 09 synoptic conditions, for 5 years (2010-2015) from Yazd Meteorology Organization; and PM10 data from air pollution control stations connected to Yazd Environment Organization have been catches. To reach mentioned mathematic relations, linear regression equation and several kinds of famous functions have been a comparison; which Gaussian function selects as the best fitness function. The results of this research, were the general equation between PM10 and visibility, PM10 and visibility whit 05 code, also PM10 and visibility connected to 09 synoptic code, using Gaussian function in 1 term; and equation between PM10 and visibility when to happen 06 and 07 synoptic conditions, using Gaussian function in 2 term that has been presentation.

کلیدواژه‌ها [English]

  • PM10
  • Visibility
  • Genetic Algorithm
  • Gaussian function
  • Yazd

حجازی عباس؛ محمد رضا مباشری و ابوالفضل احمدیان (1393). بهینه‎ سازی یک مدل شبه تجربی با استفاده از الگوریتم ژنتیک به منظور برآورد غلظت ذرات معلق (PM10) سطحی در شهر تهران با استفاده از داده‎های ماهواره‎ای و داده‎های هواشناسی. جغرافیا و برنامه‎ریزی محیطی، سال 25، پیاپی 54، شماره 2، صص 37-50.

خوش سیما مسعود؛ عباسعلی علی اکبری بیدختی و فرهنگ احمدی گیوی (1392). تعیین عمق نوری هواویزها با استفاده از داده‎های دید افقی و سنجش از دور در دو منطقه شهری در ایران، مجله فیزیک زمین و فضا، دوره 39، شماره 1، صص 163-174.

خوش‎سیما مسعود؛ سمانه ثابت‎قدم و عباسعلی علی اکبری بیدختی (1394). تخمین تمرکز ذرات معلق در جو با استفاده از داده‌های سنجش از دور ماهواره‎ای و زمین‎پایه و پراسنج‎های هواشناختی: کاربست شبکۀ عصبی مصنوعی، فیزیک زمین و فضا، دوره 41، شماره 3، صص 499-510.

رنجبران ملیحه؛ عاطفه عجمی؛ محسن بنجخی؛ هادی برزویی و سید مجتبی برزین (1393). بررسی رابطه بین زاویه و شدت پراکندگی برای ذرات جوی کاهنده قابلیت دید افقی، مرکز خدمات تخصصی اپتیک جهاد دانشگاهی صنعتی شریف، بیست و یکمین کنفرانس اپتیک و فوتونیک ایران و هفتمین کنفرانس مهندسی و فناوری فوتونیک ایران، دانشگاه شهید بهشتی، صص 1397-1400.

مغربی مهدی و مسعود تجرشی (1390). بررسی کاربرد حس‎گر‌های ماهواره‎ای در تشخیص ذرات معلق شهرهای بزرگ، فصلنامه علمی پژوهشی و تحلیلی اوج، دانشگاه صنعتی شریف، دانشکده هوا فضا، شماره 1، صص 38-41.

Baddock, M.C., Strong, C.L., Leys, J.F., Heidenreich, S.K., Tews, E.K., McTainsh, G.H., (2014). A visibility and total suspended dust relationship. Atmospheric Environment, 89, 329-336.

Camino, C., Cuevas, E., Basart, S., Alonso, S., Baldasano, J.M., Terradellas, E., Marticorena, B., RodrIguez, S., Berjon, A., (2015). An empirical equation to estimate mineral dust concentrations from visibility observations in Northern Africa. Aeolian Research, 16, 55–68.

Chepil, W.S., Woodruff, N.P., (1957). Sedimentary characteristics of dust storms: visibility and dust concentration. American Journal of science, 255, 104-114.

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.

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.

Dimitris, V., Kostas, K., Jaakko, K., Teemu, R., Ari, K., Mikko, K., (2011). Intercomparison 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.

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.

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, 1216–1229.

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, 1154-1174. Doi: 10.3390/atmos6081154.

Guillaume, A., Almeida, D., (1986). A model for Saharan dust transport. American Meteorological Society, 25, 903-916.

Maulik, U., Bandyopadhyay, S., (2000) Genetic algorithm-based clustering technique. Pattern Recognition, 33, 1455-1465.

Patterson, E.M., Gillette, D.A., (1977). Measurements of visibility vs. mass concentration for airborne soil particles. Atmospheric Environment, 11, 193–196.

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, 108, doi:10.1029/2003JD003667.

Vajanapoom, N., Carl, M., Lucas, M., Dana. L., (2001). Estimation of particulate matter from visibility in Bangkok, Thailand. Journal of Exposure Analysis and Environmental Epidemiology, 11, 97-102.

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, 50–63.