Modeling of sulfur dioxide emissions in Ahvaz City, southwest of Iran during 2013
Notice bibliographique
Résumé
Sulfur dioxide has two important sources in the atmosphere and this is why most of scientists believe in a geographic split in the globe. Power plants, major emitter of SO2, are located in north hemisphere such as in Russia, China, Canada and the USA. In south hemisphere, phytoplankton produces a massive amount of dimethyl sulfide (DMS) and dimethyl disulfide (DMDS). Then these types of reduced products dissociate in the atmosphere and convert into SO2. It is a colorless gas which is released from burning coal, high sulfur coal and diesel fuel. The sulfur dioxide emissions from transportation systems, steel, oil and other industries are major concerns of air pollution in Ahvaz city, Iran. The main objective of this study was to determine the behavior of data over the time in a specific statistical model framework and compare through intended one to implement the Box-Jenkins method to make time series models in Ahvaz (located in Southwestern Iran), during 2013. Data of sulfur dioxide from four monitoring stations were collected at the first step and processed by Excel software; finally, the model of sulfur dioxide dispersion were evaluated. Time series analysis showed that air pollutants were associated with one step delay of sulfur dioxide and two steps delay of moving average. The finding of this study showed that the average concentration of sulfur dioxide in winter was higher than in summer. According to the results of this study,distribution of sulfur dioxide data has a correlated structure over the time; therefore the time series model is an appropriate model to explain the behavior of sulfur dioxide over the time.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».