|
ترجمه مدل سازی تغییرپذیری مکانی و زمانی از آلودگی هوا
مربوط به ترافیک مدلهای رگرسیون ساعتی مورد استفاده برای کربن سیاه
5682 کلمه محیط زیست علوم پایه صنایع ترجمه انگلیسی به فارسی، دانشگاه، پژوهش مقاله انگلیسی به همراه مقاله فارسی در قالب آفیس قابل ویرایش به همراه ترجمه شکل و جدول هر 250 کلمه 1 صفحه میباشد منظور از 250 کلمه تعداد کلمات در متن انگلیسی هست و تعداد صفحات بر اساس آن نوشته شده است قیمت این ترجمه در بازار به ازا هر صفحه 3000 تا 5000 تومان میبشد
|
|
| دسته بندی | پژوهش ها |
| فرمت فایل | docx |
| حجم فایل | 653 کیلو بایت |
| تعداد صفحات فایل | 22 |
نمونه ترجمه
چکیده
مدلسازی رگرسیون بهره وری از زمین (LUR) یک روش آماری مورد استفاده برای تعیین قرار گرفتن در معرض آلاینده های هوا در مطالعات اپیدمیولوژیک است. فعالیت زمانی روزانه را میتوان با مدل LUR ترکیب نمود و آن قادر به برآورد دقیق و محدود کردن اشکال در طبقه بندی در تاخیر زمانی بلندتر و کوتاهتر است.
در این مطالعه، ترافیک مربوط به آلاینده هوا با کربن سیاه با M-aethalometers بر روی یک پایه زمان 5- دقیقه در 63 مکان در فلاندری غربی، بلژیک اندازه گیری شد. اندازه گیری نشان می دهد که غلظت ساعتی بین مکان های مختلف و همچنین طول روز متفاوت میباشد. علاوه بر این الگوی روزانه برای خیابان و زیرزمینی مکانها، فرق میکند. این نشان می دهد که مدل LUR سالانه برای دستیابی به تمام تغییرات کافی نیست. مدل LUR ساعتی برای کربن سیاه با استفاده از استراتژی های مختلف توسعه یافته است: با استفاده از متغیرهای ساختگی، با متغیرهای وابسته پویا و یا با متغیرهای مستقل دینامیک و استاتیک.
مدل LUR با 48 آلت (ساعت روز هفته و ساعت آخر هفته) به عنوان مدل سالانه خوب عمل نمیکند (توضیح واریانس 0.44 در مقایسه با 0.77 در مدل سالانه). مجموعه داده با غلظت ساعتی کربن سیاه میتواند، به طور مجدد برای مدل سالانه استفاده شود و در نتیجه بسیاری از متغیرهای اصلی توضیح داده شده تلف شده و متغیرهای خاص، یک مسیر اشتباه را طی میکنند. ساخت مدل های جدید مستقل ساعتی، با متغیرهای کمکی استاتیک و یا پویا، به عنوان بهترین راه حل برای حل این مسائل ارائه شده است. ارزش R2 برای مدل LUR ساعتی عمدتا کوچکتر از R2 مدل سالانه است و تنظیم از 0.07 تا 0.8. بین 06:00 و 22:00 در R2 روزهای هفته، R2 مدل سالانه را تخمین میزند. گرچه مدل ساعت های متوالی به طور مستقل توسعه یافته، مشابه متغیر تبدیل شده است. با استفاده از متغیرهای کمکی پویا به جای متغیرهای کمکی استاتیک، به عنوان مثال شدت ترافیک ساعتی و تراکم جمعیت ساعتی، بهبود قابل توجهی در عملکرد مدل دیده نمیشود.
a b s t r a c t
Land use regression (LUR) modeling is a statistical technique used to determine exposure to air pollutants
in epidemiological studies. Time-activity diaries can be combined with LUR models, enabling
detailed exposure estimation and limiting exposure misclassification, both in shorter and longer time
lags.
In this study, the traffic related air pollutant black carbon was measured with m-aethalometers on a 5-
min time base at 63 locations in Flanders, Belgium. The measurements show that hourly concentrations
vary between different locations, but also over the day. Furthermore the diurnal pattern is different for
street and background locations. This suggests that annual LUR models are not sufficient to capture all
the variation. Hourly LUR models for black carbon are developed using different strategies: by means of
dummy variables, with dynamic dependent variables and/or with dynamic and static independent
variables.
The LUR model with 48 dummies (weekday hours and weekend hours) performs not as good as the
annual model (explained variance of 0.44 compared to 0.77 in the annual model). The dataset with
hourly concentrations of black carbon can be used to recalibrate the annual model, resulting in many of
the original explaining variables losing their statistical significance, and certain variables having the
wrong direction of effect. Building new independent hourly models, with static or dynamic covariates, is
proposed as the best solution to solve these issues. R2 values for hourly LUR models are mostly smaller
than the R2 of the annual model, ranging from 0.07 to 0.8. Between 6 a.m. and 10 p.m. on weekdays the
R2 approximates the annual model R2. Even though models of consecutive hours are developed independently,
similar variables turn out to be significant. Using dynamic covariates instead of static covariates,
i.e. hourly traffic intensities and hourly population densities, did not significantly improve the
models’ performance.
