ماتریس همبستگی

هدف از این تحقیق بررسی روند بلندمدت رخدادهای گرد و غبار و تأثیر این رخدادها در شهر ایلام بر نگاشت های بروز بیماری های تنفسی است. در این راستا، داده های مجموعه ای از رخداد های گرد و غبار دیدبانی شده روزانه (Total Dust Event)TDE طی دوره آماری ۱۹۹۵-2015 در دو ایستگاه سینوپتیک ایلام و دهلران بررسی شد. نتایج نشان داد که شیب افزایش نگاشت های گرد و غباری در دو ایستگاه ایلام و دهلران به ترتیب 8/0 و 96/0 رکورد در سال بوده است. ماتریس همبستگی بیانگر آن بود که در سطح اطمینان مورد بررسی، ارتباط مستقیم معنی داری بین تعداد نگاشت های سالانه مراجعان بیماری های ریوی و تنفسی ثبت شده در بیمارستان شهید مصطفی خمینی شهر ایلام و رخدادهای گرد و غبار برقرار است؛ به گونه ای که در سال هایی که تعداد نگاشت های گرد و غباری بیشتری در دو ایستگاه ایلام و دهلران ثبت شده است، نگاشت های مراجعان بیماری های تنفسی به طور معنی داری بیشتر بوده است. همچنین، مقایسه نتایج به دست آمده از ارتباط معنی دار بین افزایش تعداد نگاشت های مراجعان بیمارستان و افزایش روند رخداد گرد و غبار در دو ایستگاه سینوپتیک ایلام و دهلران با نتایج سایر محققان در استان کرمانشاه و اهواز مطابقت دارد.

از بین بلایای جوی، موج های گرمایی مهمترین بلایای جوّی بوده و بررسی میزان مرگ و میر سالانه ناشی از مخاطرات اقلیمی نشان می دهد که امواج گرمایی باعث بیشترین میزان مرگ و میر نسبت به دیگر رخدادهای اقلیمی می شوند. در این پژوهش مبنای محاسبات برای شناسایی امواج گرمایی ایران داده های شبکه بندی شده دماهای بیشینه ایستگاه های همدید و اقلیمی ایران می باشد که در دوره (1390-1360) برای هر روز اوضاع اقلیمی کشور را روی 7187 یاخته مشخص می سازد. در ادامه پس از برنامه نویسی در نرم افزار Mat lab روزهایی که ضریب انحراف معیار آنها بالاتر از 2 بود و حداقل 2 روز تداوم داشت توسط این برنامه از ماتریس دمای بیشینه ایران جدا و بنام امواج گرمایی ایران معرفی گردید. سپس امواج چهار روزه که گستردگی و فراوانی بیشتری داشت انتخاب و مورد تحلیل قرار گرفت. جهت مطالعه همدید موج های گرمایی از روش روز نماینده استفاده شد.کم فشار عربستان و کم فشار پاکستان مهمترین سامانه های رخداد این موج گرما بوده اند. در زمان رخداد این امواج پایداری شدیدی بر ایران حاکم است و در سطح زمین کم فشار و در سطح بالای جو پرفشار حاکم می باشد.

در بهینه سازی پورتفوی بر اساس مدل میانگین واریانس هدف حداکثر کردن بازدهی برای سطح معینی از ریسک یا حداقل کردن ریسک به ازای سطح معینی از بازدهی است. در بهینه سازی با هدف حداقل ساختن ریسک، دو عامل ماتریس کوواریانس و نیز ریسک انفرادی بازده هریک از دارایی ها عوامل اصلی و تعیین کننده اوزان بهینه هستند. با تأیید وجود نوسانات خوشه ای در سری های زمانی و مدلسازی عناصر مربوط در قالب مدل های توسعه یافته براساس مدل ناهمسانی واریانس شرطی تعمیم یافته، به کارگیری واریانس شرطی و ماتریس همبستگی متناسب در بهینه سازی پورتفوی ضروری می نماید. در این مطالعه، با محاسبه ریسک محقق شده پورتفوهای بهینه شده بر اساس واریانس شرطی و ماتریس همبستگی، پسماندهای استاندارد شده، تأیید شد که می توان با چنین راهبردی، ریسک پورتفوی را به طور معناداری کاهش و عملکرد آن را بهبود داد.

تبخیر یکی از متغیرهای اقلیمی است که پیش بینی آن نقش مهمی در برنامه ریزیهای مربوط به آب دارد. با توجه به بالا بودن نسبی میزان بارندگی در مناطق غرب ایران، آگاهی از میزان تبخیر برای مدیریت درست آب در این مناطق ضروری میباشد. از عوامل اثرگذار بر میزان تبخیر، سیگنال های اقلیمی میباشند که توجه به نقش آنها پیش بینی تبخیر را ممکن می کند. با استفاده از مدل شبکه عصبی مصنوعی به پیش بینی تبخیر بر اساس این سیگنال ها اقدام شده که آمار مربوط به تبخیر از تشت در 3 ایستگاه سینوپتیک با حداقل 20 سال آمار ماهانه و نیز مهمترین سیگنال های اقلیمی با نرم افزار نروسلوشن (Neurosolution) تجزیه و تحلیل شده است. نتایج پژوهش نشان دهنده آن است که مهمترین سیگنال های مرتبط با تبخیر در منطقه شامل Nina3:، Nina1، SW Monsoon، Mei و Nina4 میباشد. مقایسه داده های مشاهده ای تبخیر و خروجی شبکه عصبی، همبستگی بالا بین این داده را نشان می دهد. به گونه ای که میزان این همبستگی در ایستگاه کرمانشاه 71 درصد، همدان 82 درصد و سنندج 80 درصد است. با درنظر گرفتن خروجی شبکه عصبی مصنوعی و داده های مربوط به سیگنال های اقلیمی، میتوان با دقت بالای 97 درصد به پیش بینی تبخیر درمنطقه مورد پژوهش اقدام نمود.                                                                             

با توجه به تعداد زیاد کالاها در فروشگاه های آنلاین، تغییر روزانه قیمت کالاها و عدم امکان استعلام و ثبت این حجم از قیمت ها توسط اپراتورها، توسعه یک سیستم تخمین قیمت برای پیش بینی روزانه قیمت کالاها با دقت بالا بسیار ضروری می باشد. برای این منظور، در مقاله حاضر یک سیستم نوین تخمین قیمت با استفاده از ماتریس همبستگی و رگرسیون خطی، توسعه داده شده است. با توجه به خطای بالای رگرسیون خطی در پیش بینی قیمت ها، یک روش رگرسیون خطی ابتکاری جهت افزایش دقت پیش بینی و کاهش خطای میانگین بر مبنای تعیین اهمیت داده ها بر حسب زمان توسعه داده شده است. سیستم توسعه داده شده بر روی داده های واقعی شرکت نگین پولاد نقش جهان (آهن آنلاین) پیاده سازی شده است که نتایج حاکی از دقت بالای قیمت های تخمینی این مدل می باشد. همچنین نتایج مدل ارائه شده با در نظر گرفتن تغییرات نرخ دلار مورد بررسی و تحلیل قرار گرفته است. نتایج حاکی از آن است که در اکثر اوقات رگرسیون ابتکاری ارائه شده خطای کمتری نسبت به سایر روش های مورد بررسی دارد.

اسکان غیر رسمی همراه با بزرگتر شدن شهرها در ایران پدیده ای رو به رشد است اکنون سرعت توسعه شهری از ظرفیت و توانایی شهرداری ها و دولت در گسترش زیرساخت ها و ایجاد اشتغال سبقت گرفته است. در نتیجه پدیده اسکان غیر رسمی به سرعت و به صورتی بی قاعده گسترش یافته است. با توجه به بررسی های انجام شده در سکونتگاه های غیر رسمی سنندج در استان کردستان، مشخص می گردد که اکثر مهاجرت ها به بافت های  حاشیه ای شهر سنندج از روستاها بوده و به دو دلیل اقتصادی و امنیتی (در طول مدت زمان جنگ ایران و عراق و ناامنی های درون استان) صورت گرفته است. و در بررسی طرح های جامع و تفصیلی شهر سنندج، مشاهده می گردد که برای اقشار کم درآمد شهری جایگاه مناسبی دیده نشده است و به عبارتی جای آنان در مطالعات انجام شده خالی است. لذا یکی از علت های به خارج راندن اقشار کم درآمد شهری به حاشیه شهرها و ساکن شدن در خارج از محدوده را می توان عدم توجه به نیاز مسکن این قشر در طراحی برنامه های رسمی دانست. در این مقاله ضمن شناسایی مهم ترین مشکلات کالبدی موجود در سکونت گاه های غیر رسمی سنندج با استفاده از روش ماتریس همبستگی میزان ارتباط شاخص ها با یکدیگر بررسی شده است و نتایج نشان می دهد که اصلی ترین مشکل موجود در محلات حاشیه ای سنندج، درصد بالای استفاده از مصالح کم دوام و غیرمتعارف در ساخت و ساز ساختمان ها است و مشکل بعدی پایین بودن متوسط مساحت قطعات مسکونی می باشد.و سپس با استفاده از تکنیک SWOT، بخش مسکن غیر رسمی سنندج مورد ارزیابی قرار گرفته است.