| المستخلص: |
أن نمذجة جودة الهواء اكتسبت أهمية كبيرة في تلوث الهواء الجوي بسبب الآثار السلبية على البيئة وصحة الإنسان مما دفع الكثير من الباحثين للنظر في ذلك الموضوع. وفي دراستنا هذه تم التطرق إلى ملوثات الهواء التي كان لها تأثير مباشر على بيانات PM10 في الهواء وتم الوصول إلى عدد كبير من المتغيرات وهي (O3, CO, SO2 , NO, NOX وكذلك سرعة الرياح ودرجة حرارة الهواء وغيرها). حيث تم استخدام تسعة متغيرات تفسيرية من بيانات الأرصاد الجوية (Metrological) على مدى ثلاث سنوات في تطبيق نماذج الانحدار الخطي المتعدد. حيث كان تحليل البيانات لهذه الفترة صعب التكهن مما أدي إلى وجوب النظر في البيانات على أنها بيانات ذات أنماط أسبوعية وفصول موسمية وبذلك تم التوصل إلى أسلوب التراصف الزمني (TS)) time-stratified) ليستخدم هذه الدراسة لتتراصف البيانات في نمطين النمط الأسبوعي ونمط الفصول الموسمية. وتم الأخذ بالحسبان استخدام أسلوب التراصف الزمني من خلال ترتيب البيانات إلى مجموعات أكثر تجانسا قد يحل صعوبة الوصول إلى نتائج أكثر دقة. أن نموذج الانحدار الخطي المتعدد Linear Regression Multiple (MLR) وهو من الطرق الأكثر شيوعا لدراسة مثل هكذا عدد كبير من المتغيرات. ففي هذا البحث استخدمت بيانات الأرصاد الجوية الماليزية وعلى مدى ثلاث سنوات ولوحظ أن نتائج التكهن بطريقة MLR من أفضل الطرق المستخدمة لمثل هكذا بيانات، وأن مراصفة البيانات باستخدام أسلوب التراصف الزمني تبعا للنمط الأسبوعي ونمط الفصول الموسمية كان أفضل وأكثر دقتا في إظهار النتائج عند تطبيق MLR مقارنة مع البيانات الأصلية.
Air Quality Modeling gained great importance in atmospheric pollution because of its negative effects on the environment and human health. In our study, the rate of the PM10 has been effected by a large number of elements such as (O3, CO2, SO3, NO, NOX). It is also effected by other explanatory variables such as wind speed, temperature and others. Nine independent variables have been used in the application of the multiple regression model over three years of metrological datasets. The seasonal influences for weekly, seasonally periods lead up to difficult analyzing and forecasting. Classification the datasets into weekly and seasonally then using Time-stratified (TS) approach and taking only the compatible observations may solve the difficulty and lead to more accurate results. Reducing the number of variables may also lead to more accurate results. The multiple linear regression (MLR) model is the most common for studying like this number of variables.. Three years of Malaysian meteorological datasets are studied in this research. It was noted that the results of prediction in a method MLR one of the best methods to use such data. Appling the Time-stratified approach for PM10 data according to the weekly and seasonally pattern were better and more accurate for MLR comparing to the original data.
|
