رگرسیون خطی چندمتغیّره

لایه ی اُزون به عنوان سپر حفاظتی حیات بر روی کره زمین، دارای تغییرات زیادی از نظر حجم و مقدار است. در این پژوهش اثر عوامل اقلیمی بر تغییرات اُزون کلی در ایستگاه اصفهان مورد مطالعه قرار گرفت و نشان داده شد، بخشی از نوسانات روزانه ی اُزون مربوط به الگوهای گردشی جو در سطوح فوقانی و میانی جو است. به این ترتیب شرایط فراز (پشته)/فرود (تراف) در سطح 100 و 300 میلی باری و واچرخند/چرخند در سطح 500 میلی باری موجب کاهش/افزایش قابل توجه در مقدار اُزون کلی در فصل سرد سال که پویش جو فعال است، می گردد و زمانی که محور تراف/فراز بر روی اصفهان قرار دارد، میزان اُزون به حداکثر/حداقل میزان خود می رسد. مقادیر مُد داده ها (274 دابسون) که عمدتاً در فصل گرم سال اتفاق می اُفتد با پُر ارتفاع عمیق در تراز 100 میلی باری همراه است. در سطح 300 و 500 میلی باری در زمان وقوع مُد داده ها، خطوط هم ارتفاع آرایش مداری دارند که اندکی به سمت فراز میل می کند. به این ترتیب فعالیّت پویشی جو در فصل سرد، تغییر و نوسان زیاد اُزون کلی را با باعث می گردد و پایداری جو در فصل گرم سال، تثبیت مقدار اُزون کلی را در پی دارد. از نظر آماری بین نقشه های هم مقدار میانگین روزانه اُزون کلی و نقشه های میانگین ارتفاع ژئوپتانسیل همبستگی معکوس معناداری در سطح اطمینان 01/0 درصد در هر سه سطح 100، 300 و 500 میلی باری وجود دارد که در سطوح 100 و 300 میلی باری قوی تر است. بر اساس تحلیل رگرسیون خطی به ترتیب 1/89، 5/80 و 4/78 درصد تغییرات مقدار اُزون در رخدادهای مُد، مقادیر حداکثر و حداقل توسط تغییرات ارتفاع ژئوپتانسیل تبیین می گردد. انطباق نقشه های هم مقدار اُزون کلی با نقشه های ارتفاع ژئوپتانسیل نیز نشان داد، خطوط هم مقدار اُزون در منطقه وقوع کم فشار پویشی بر روی اصفهان متراکم و دارای مقادیر حداکثر است.

ازن نزدیک به سطح زمین یکی از آلاینده های بسیار خطرناک است که تأثیرات زیان بار درخور توجهی در سلامت ساکنان مناطق شهری دارد. هدف از این مطالعه شناسایی عوامل مؤثر در غلظت ازن و مدل سازی تغییرات آن، با استفاده از داده های ماهواره ای و روش های گوناگون یادگیری ماشین در شهر تهران است. بدین منظور داده های غلظت آلاینده ها، داده های هواشناسی و دمای سطح خاک، طی بازه زمانی بین سال های 2015 تا 2021، به کار رفت. پس از محاسبه همبستگی بین غلظت ازن و پارامتر های مستقل، طی پنج حالت متفاوت، با پارامترهای ورودی و روش یادگیری متفاوت و به کارگیری پالایش داده ها، غلظت ازن مدل سازی شد. در حالت اول و دوم، مدل سازی با استفاده از داده های غلظت آلاینده ها و داده های هواشناسی با روش رگرسیون خطی چندمتغیره انجام شد. تنها تفاوت این دو حالت، پالایش داده های ورودی به شیوه WTEST در روش دوم است. در حالت سوم، دمای سطح خاک به داده های ورودی افزوده شد و در حالت چهارم و پنجم، به ترتیب مدل سازی ازن با استفاده از شبکه عصبی چندلایه ای و شبکه عصبی بازگشتی انجام شد. مقایسه این حالت ها نشان داد که مدل سازی های مراحل اول تا پنجم، به ترتیب با ضریب تعیین تعدیل شده 5/0، 64/0، 69/0، 74/0 و 8/0 توانایی بازیابی غلظت ازن را داشته اند. همچنین مشخص شد در بین آلاینده های گوناگون، مونوکسید نیتروژن، دی اکسید نیتروژن، نیتراکس و از میان داده های هواشناسی دما، رطوبت و سرعت باد بیشترین تأثیر را در غلظت ازن دارند. افزودن دمای سطح خاک به داده های ورودی نیز افزایش پنج درصدی دقت را در برآورد غلظت ازن، به همراه داشت.

ارتقاء اطلاعات کمی به بهبود پیش بینی پارامتر های برف کمک می کند. تاکنون تعاملات بین اندازه ی پیکسل به صورت محدود بررسی شده است. هدف از این تحقیق، بررسی اثر قدرت تفکیک مکانی بر روی پیش بینی عمق برف از طریق آزمون تجربی روابط بین مدل های رقومی ارتفاع و پارامترهای مؤثر در مدل سازی عمق معادل برف با قدرت تفکیک مختلف و با استفاده از مدل رگرسیون چندمتغیره می باشد. به همین منظور ابتدا با استفاده از روش هایپرکیوب محل 100 نقطه مشخص و طی یک عملیات صحرایی داده های عمق برف در نقاط مورد نظر و همچنین در 195 نقطه دیگر به صورت سیستماتیک و با نمونه بردار مدل فدرال برداشت گردید.. سپس یک مدل رقومی ارتفاع 10 متری به عنوان مبنا انتخاب گردید و از مدل رقومی ارتفاع مبنا تعداد 25 پارامتر مرفومتری استخراج و به عنوان ورودی شبکه ی عصبی ان تخاب و با استفاده از آنالیز حساسیت مهم ترین پارامترهای تأث یرگذار در مدل سازی ع مق برف مشخص شد. در مرحله ی بعد با استفاده از مدل رقومی ارتفاع مبنا 9 مدل رقومی ارتفاعی با اندازه ی پیکسل متفاوت استخراج گردید. سپس در ادامه پارامترهای مؤثر در عمق برف با استفاده از 10 مدل رقومی ارتفاع استخراج و بین آن ها و عمق برف نمونه برداری شده یک رابطه ی رگرسیونی ایجاد و عمق برف محاسبه گردید. جهت ارزیابی دقت مدل ها از پارامترهای RMSE، NMSE، MSE و MAE استفاده و در نهایت مدل رقومی ارتفاع 150 متر با مقادیر به ترتیب 75/24، 350/0، 975/612 و 97/18 بهترین مدل رقومی ارتفاع جهت مدل سازی عمق برف انتخاب گردید. این مسأله می تواند در کاهش هزینه ها و افزایش دقت برآورد عمق برف کمک بسیاری نماید.