بررسی و پیش بینی وضع آلاینده های هوای شهر کرمان با مدل سری های زمانی

Authors

  • خانجانی, نرگس استادیار، گروه اپیدمیولوژی و عضو پیوسته گروه مهندسی بهداشت محیط، دانشکده بهداشت، دانشگاه علوم پزشکی کرمان
  • راننده کلانکش, لاله دانشجوی دوره کارشناسی ارشد، گروه مهندسی بهداشت محیط، دانشکده بهداشت، دانشگاه علوم پزشکی کرمان
  • منصوری, فاطمه دانشجوی دوره کارشناسی ارشد، گروه مهندسی بهداشت محیط، دانشکده بهداشت، دانشگاه علوم پزشکی کرمان
  • پورموسی, رضا مربی، بخش آمار، دانشکده ریاضی و کامپیوتر، دانشگاه شهید با هنر، کرمان
Abstract:

  Anderson, H.R., 2009. Air pollution and mortality: A history. Atmospheric Environment, 43, pp. 142-152 .   Box, GEP. and Jenkins, G.M., 1976. Time series analysis: forecasting and control, San Francisco, Holden Day Pulications .   Duenas, C., Fernandez, M.C., Canete, S., Carretero,Liger E, 2005. Stocastic model to forecast ground level ozone concentration at urban and rural areas . Chemosphere, 61(10), pp. 1379-1389 .   Ghorbani, M. and Younesian, M., 1389. Research Projects in Air pollution Epidemiology. Iranian Epidemiology Journal . 5, pp. 44-52 [In Persian].   Goyal, P., Chan, A.T. and Jaiswal, N., 2006. Statistical models for the prediction of respirable suspended particulate matter in urban cities. Atmospheric Environment, 40, pp. 2068-2077 .   Hamilton, JD., 1994. Time series analysis, Princeton Publications, USA .   Hosseinpour, A.R., Forouzanfar, M.H., Yunesian, M., Asghari, F., Holakouie Naieni, K. and Farhood, D., 2005. Air pollution and hospitalization due to angina pectoris in Tehran, Iran: A time-series study. Environmental Research, 99, pp. 126-131 [In Persian].   Ingrisch, M., Sourbron, S., Reiser, M.F. and Peller, M., 2009. Model selection in dynamic contrast enhanced MRI: The Akaike Information Criterion. In Dössel, O. and Schlegel, WC. (Eds.) IFMBE Proceedings 25/IV   Khosravi Dehkordi, A. and Modarres, R., 1386. Time Series analysis of the daily air pollution in Isfahan from the Petrolium Industry. Mohit shenasi. 33, pp. 33-42 [In Persian].   Kumar, U. and De Ridder, K., 2010. GARCH modelling in association with FFT-ARIMA to forecast ozone episodes. Atmospheric Environment, 44, pp. 4252-4265.   Lau, J.C., Hung, W.T., Yuen, D.D. and Cheung, C.S., 2009. Long memory characteristics of urban roadside air quality. Transportation Research Part D, 14, pp. 353-359 .   Liang, W., Wei, H. and Kuo, H., 2009. Association between daily mortality from respiratory and cardiovascular diseases and air pollution in Taiwan. Environmental Research, 109, pp. 51-58 .   Liu, P.G., 2009. Simulation of the daily average PM10 concentrations at Ta-Liao with Box–Jenkins time series models and multivariate analysis. Atmospheric Environment, 43, pp. 2104 - 2113 .   López-Villarrubia, E., Ballester, F., Iñiguez, C. and Peral, N., 2010. Air pollution and mortality in the Canary Islands:a time-series analysis. Environmental Health, 9 .   Lumbreras, J., Garcia-Martos, C., Mira, J. and Borge, R., 2009. Computation of uncertainty for atmospheric emission projections from key pollutant sources in Spain. Atmospheric Environment, 43, pp. 1557-1564 .   Masjedi, M.R., Jamaati, H.R., Dokoohki, P., Ahmadzadeh, Z., Alinejad Taheri, S., Bigdeli, M., Agin, K., Ghavam, S.M., Rostiman, A. and Izadi S., 2001. The correlation between air pollution and acute respiratory and cardiac attacks. Pazhoohesh dar pezeshki, 25, pp. 25-33 [In Persian].   Nasrollhi, Z. and Ghaffari Goolak, M., 2010. Air pollution and its effective factors. Faslnameh Pazhoohesh Eghtesadi, 3, pp. 375-395 [In Persian].   Quintela-del-Rio, A. and Francisco-Fernandez, M., 2011. Nonparametric functional data estimation applied to ozone data: Prediction and extreme value analysis. Chemosphere, 82, pp. 800-808 .   Rajarathnam, U., Sehgal M., Nairy S., Patnayak R.C., Chhabra S.K., Kilnani, K.V., R and Committee., HHR, 2011. Time Series study on air pollution and mortality in Dehli. Res Rep Health Eff Inst, Mar, pp. 47-74 .   Samet, J.M., Dominici, F., Zeger, S.L., Schwartz, J. and Dockery, D.W., 2000. The national morbidity, mortality and air pollution study. Part 1: Methods and Methodologic Issues. Research Report 94 Cambridge, MA, Health Effects institute .   Sharma, P., Chandra, A. and Kaushik, S.C., 2009. Forecasts using Box–Jenkins models for the ambient air quality data of Delhi City. Environ Monit Assess, 157, pp. 105–112 .   Wagemakers, E. and Farrell, S., 2004. AIC model selection using Akaike weights. Psychonomic Bulletin and Review, 11, pp. 192-196 .   Zhang, F., Wang, W., Lv, J., Krafft, T. and Xu, J., 2011. Time-series studies on air pollution and daily outpatient visits for allergic rhinitis in Beijing, China. Science of the Total Environment, 409, pp. 2486–2492 .                                                       Scientific Journal of School of Public Health and Institute of Public Health Research /85   Vol. 11, No. 2, Summer 2013     Forecasting ambient air pollutants by time series models in Kerman, Iran     Mansouri, F., MS.c. Student, Dept of Environmental Health Engineering, Faculty of Public Health, Kerman Medical University, Kerman, Iran   Khanjani, N., Ph.D. Assistant Professor, Department of Epidemiology and Department of Environmental Health, Faculty of Public Health, Kerman Medical University, Kerman, Iran - Corresponding author: [email protected]   Rananadeh Kalankesh, L., MS.c. Student, Department of Environmental Health Engineering, Faculty of Public Health, Kerman Medical University, Kerman, Iran   Pourmousa, R., MS.c. Lecturer, Department of Statistics, School of Mathematics and Statistics, Shahid Bahonar University, Kerman, Iran       Received: Apr 3, 2012 Accepted: Feb 14, 2013     ABSTRACT     Background and Aim: Air pollution is one of the most important problems of big cities in developing countries and can have several negative health effects on humans. Therefore studying these pollutants can help in developing programs for air pollution control. The aim of this study was to estimate and predict the changes of air pollutants in Kerman, Iran.   Materials and Methods: In this ecological study, data about seven important air pollutants in Kerman including NO, CO, NO2, NOx, PM10, SO2 and O3 from March 2006 until September 2010 was inquired from the Kerman Province Environmental Protection Agency. Then the data was calculated as averages per month and by incorporating time series models, predictions were done for each pollutant.   Results: All of the pollutants were steady in Kerman, except CO which is significantly decreasing and PM10 which is increasing. All of the pollutants had a seasonal pattern. Time series models with a 12, 3, 8, 12, 12, 12 and 6 month seasonal pattern were fit for O3 , SO2 , PM10 , NOx , NO2 , CO and NO consecutively.   Conclusion: The production of ambient CO is decreasing in Kerman and one reason is probably replacing and retiring old automobiles. However PM10 is increasing in Kerman and in most seasons it is above standard and therefore control initiatives should be implemented.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

مدل سازی و پیش بینی وضعیت آلاینده های هوای شهر تهران کاربرد مدل خود رگرسیونی با ویژگی حافظه بلندمدت

زمینه و هدف: مدل‌سازی آلاینده‌های زیست محیطی یکی از نیازهای اساسی در زمینه پایش کیفیت هوا محسوب می شود که با بهره‌گیری از نتایج حاصله می‌توان اقدامات پیشگیرانه‌ای جهت بهبود شرایط آتی اتخاذ کرد. ادبیات موجود در زمینه الگوسازی آلاینده‌های زیست محیطی را می توان به دو دسته کلی تقسیم کرد، دسته اول شامل مطالعاتی می‌شود که علاوه بر داده‌های مربوط به آلاینده‌ها با وارد کردن عوامل محیطی از قبیل دمای هوا...

full text

کاربردهای شبکه های عصبی در پیش بینی سری های زمانی

استفاده از روش های غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده، مدتهاست در محافل علمی و حتی حرفه ای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضا غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردا...

full text

پیش بینی تورم ایران با استفاده از مدل های ساختاری ، سری های زمانی و شبکه های عصبی

امروزه ، پیش بینی متغیر های کلان اقتصادی از اهمیت ویژه ای برای سیاستگذاران و سایر واحد های اقتصادی برخوردار است. در نتیجه ، دردهه های اخیر ، مدل های پیش بینی گوناگونی توسعه یافته و به رقابت با یکدیگر پرداخته اند. اخیراً به موازات مدل های متداول قبلی مانند مدل های ساختاری و سری زمانی ، مدل های دیگری تحت عنوان شبکه های عصبی مصنوعی در زمینه پیش بینی متغیر های مالی و پولی بکار گرفته شده اند. این م...

full text

بررسی ویژگیها و توان پیش بینی سری های زمانی جریان های نقدی

پیش بینی جریان های نقدی عملیاتی بر اساس الف : سری جریان های نقدی عملیاتی گزارش شده و یا ب: سایر سری های زمانی به عنوان جایگزین جریان های نقدی عملیاتی انجام می شود. سری های جایگزین، به طور معمول، الگوریتم های ساده ای از اجزای صورتهای مالی هستند. تحقیقات نشان میدهد، ویژگی ها و توان پیش بینی سری های زمانی گزارش شده و جایگزین های آن متفاوت است؛ لذا روایی خارجی تحقیقاتی که بر اساس جایگزین ها انجام م...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 11  issue None

pages  75- 86

publication date 2013-11

By following a journal you will be notified via email when a new issue of this journal is published.

Keywords

No Keywords

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023