روش positive matrix factorization [بایگانی] - پکیج های آموزشی محیط زیست و مهندسی

توجه ! این یک نسخه آرشیو شده میباشد و در این حالت شما عکسی را مشاهده نمیکنید برای مشاهده کامل متن و عکسها بر روی لینک مقابل کلیک کنید : روش positive matrix factorization

دکتر مصطفی کلهر

10-24-2015, 02:54 PM

در این بخش در مورد روش pmf بحث خواهد شد.

دکتر مصطفی کلهر

11-09-2015, 10:19 PM

هدف مدل*های سهم بندی بازسازی تاثیر انتشار آلاینده از منابع مختلف اتمسفری مانند ذرات (PM)، براساس داده های محیطی ثبت شده در پایش می*باشد. به طور کلی روش*های سهم*بندی (SA) به سه گروه اصلی تقسیم می*شود.
روش*هایی که بر اساس ارزیابی داده*های پایش استوار می*باشند. روش غربالگری داده*ها برای شناسایی منابع، عبارتند از:
· ارتباط جهت باد با سطح اجزاء اندازه*گیری شده برای شناسایی مکان؛
· ارتباط آلاینده*های گازی با ذرات PM برای شناخت وابستگی منابع؛
· تفاضل مقدار اولیه منطقه از مقدار بدست آمده از پیشینه شهر و یا کنار جاده، برای شناسایی و تعیین سهم پس زمینه منطقه،* شهر و خیابان پایش شده. برای تعیین سهم طبیعی PM، مقدار پس*زمینه PM در سایت*های منطقه*ای را از مقدار پس*زمینه شهری در مکان و روز خاص کم می*کنیم.
مزیت اصلی این روش*ها سادگی و تاثیر کم خطاهای احتمالی وارده در هنگام غربال*گری داده*ها است.

9324277304

11-16-2015, 11:50 PM

سلام
میشه در مورد این نرم افزار و مزایای اون نسبت به دیگر روشهای آنالیز دادها بیشتر توضیح بدید و اینکه برای استفاده از این نرم افزار چه داده هایی لازم است.

دکتر مصطفی کلهر

07-17-2016, 09:45 AM

مدل PMF مدلی بر مبنای فاکتور آنالیز چندمتغیره می*باشد. با استفاده از این مدل می*توان سهم منابع مختلف را در تولید یک آلاینده خاص در یک منطقه معین محاسبه نمود. برای این کار باید در نقطه مورد نظر از آن آلاینده نمونه*برداری کرد. بدیهی است همچون دیگر مدل*های پذیرنده، تنها سهم منابع آلاینده*هایی را می*توان با این مدل ارزیابی نمود که بتوان آن*ها را از لحاظ شیمیایی تفکیک نمود. برای مثال، سهم منابع ذرات معلق را می*توان با استفاده از آنالیز عنصری و یونی نمونه*های اندازه*گیری شده محاسبه نمود. همچین در مورد آلاینده VOC، با توجه به ترکیبات آلی موجود در آن می*توان به منابع آن پی برد. اما سهم منابع آلاینده*ای چون CO که نمی*توان آن را از لحاظ شیمیایی تفکیک نمود، در این مدل (و در دیگر مدل*های پذیرنده) قابل محاسبه نمی*باشد.
انواع دیگری نیز از مدل*های پذیرنده وجود دارد که به اندازه مواردی که ذکر شد متداول نیستند. در شکل 1-1، گستره*ای از این مدل*ها، نشان داده شده است. یکی از تفاوت*های اساسی میانِ این مدل*ها، سطحِ پیش*آگاهی از منابعِ آلاینده و اطلاعات ورودیِ موردنیاز خواهد بود.

شکل 1-1: مدل*های پذیرنده، و سطح اطلاعات مورد نیاز برای استفاده از آن*ها]13[
در مقایسه Unmix و PMF قابل توجه است که اگر چه مبنای محاسباتی این دو مدل با هم متفاوت می*باشد، اما نتایج این دو معمولا بسیار شبیه به یکدیگر خواهد بود. شباهت دیگر این دو مدل این است که در هیچ *یک از آن*ها نیازی به تامین پروفیل منبع (کیفیت و کمیت آلاینده*های خروجی از یک منبع) نمی*باشد و خود مدل تنها با اتکا بر آنالیز شیمیایی نمونه*ها، منابع محتمل را معرفی می*نماید. اما تفاوت کوچک این دو مدل آن است که معمولا Unmix نمی*تواند به اندازه PMF تعداد مختلفی فاکتور (منابع) را شناسایی نماید ]13،14[.
مدل*سازی با روش تحلیلِ فاکتورها یا مولفه*های اصلی مانند مدل*های [1] (http://www.aermod.ir/#_ftn1)PCA، PMF و UNMIX تلاش می*کند تا تنها سهم منابع انتشار را بر اساس مشاهدات در محل اندازه*گیری (همبستگیِ داخلیِ بین داده*ها) تعیین کند. این نوع از مدل*سازی به طور متداول مورد استفاده می*گیرند، زیرا نرم*افزار لازم برای انجام آن به شکل گسترده در دسترس است و نیازی به پیش*آگاهی از جزئیات و پروفیلِ منابع ندارند. اما مشکل رایج این مدل*ها آن است که بخشی از مولفه*ها یا فاکتورهای به*دست آمده ممکن است به جای آن*که ناشی از پروفیل*های منابع مستقل از هم باشد، در اثر هم*پوشانی و اختلاط منابع انتشار حاصل گردد. همچنین اثرِ تغییراتِ زمانی بر روی انتشارِ منابع نیز محدودیتی دیگر برای این دسته از مدل*های پذیرنده می*باشد.
اما در مدل CMB که پیشتر توضیح داده شد، کاربر باید پروفیل منبع را که برای تسهیم منابع توسط این مدل امری ضروری است فراهم کند. این مدل*ها در مطالعات بسیاری با یکدیگر مقایسه شده*اند. در بیشتر این مطالعات، از لحاظ نوع و درصد سهم منابع مختلفی را که با استفاده از CMB و PMF به دست آمده است، همخوانی نسبتا مناسبی بین این دو مدل وجود داشته است ]15،16[.
نکته قابل توجه این است که این دو مدل مکمل یکدیگر بوده و بهتر است در کنار یکدیگر استفاده شوند تا از حصول نتایج صحیح، اطمینان حاصل گردد.

[1] (http://www.aermod.ir/#_ftnref1) Principal Component Analysis