بهبود برآورد میزان آلودگی هوای شهر تهران

نوع مقاله: مقاله پژوهشی فارسی

نویسندگان

1 دانشگاه تهران

2 گروه سیستم‌های اطلاعات مکانی، دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده فنی،دانشگاه تهران، تهران، ایران

3 گروه برنامه ریزی حمل و نقل، دانشکده فنی مهندسی، دانشگاه اصفهان، اصفهان، ایران

4 گروه آلاینده‌های محیط زیست، پژوهشکده علوم محیطی،دانشگاه شهید بهشتی، تهران، ایران

5 دانشکده اقتصاد ،دانشگاه کارلسروهه آلمان، کارلسروهه، آلمان

6 شرکت خدمات و نرم افزار زیست محیطی GmbH، وین، اتریش

7 گروه سیستم‌های اطلاعات مکانی، دانشکده مهندسی نقشه‎‌برداری و اطلاعات مکانی، پردیس دانشکده فنی،دانشگاه تهران، تهران، ایران

چکیده

بسیاری از کلان‌شهرهای ایران به ویژه تهران با مشکل آلودگی هوا مواجه هستند که بخش عمده این آلودگی، ناشی از آلاینده PM2.5 می‌باشد لذا مدلسازی آلودگی هوا امری ضروری برای مدیریت محیط زیست می‌باشد. در این تحقیق از اطلاعات روزانه ماه‌های مختلف سال 1395 توسط حسگرهای سنجش آلودگی هوا مربوط به شرکت کنترل کیفیت شهرداری تهران و سازمان حفاظت محیط زیست برای مدلسازی آلودگی هوا استفاده شده است. ابتدا روش‌های مختلف درونیابی زمین آمار نظیرکریجینگ و غیرزمین آمار مانند فاصله معکوس وزندار، k نزدیکترین همسایه ،چندجمله‌ای محلی و سراسری جت برآورد میزان آلاینده PM2.5 در نقاطی که مستقیما میزان این آلودگی سنجش نشده استفاده شده است و نتایج با استفاده از روش ارزیابی متقاطع و شاخص خطای میانگین کمترین مربعات مقایسه شده‌اند. از بین روش‌های فوق کریجینگ بهترین نتیجه را در بر داشته است. سپس با استفاده از روش‌های بهینه سازی ژنتیک و ازدحام ذرات، فواصل خوشه بندی روش کریجینگ به دو صورت فواصل منظم و نامنظم بهینه‌سازی شده است که خطای فواصل منظم کمتر بوده است. سپس برای تست مدل پیشنهادی، این مدل برای تمامی ماه‌های مختلف سال پیاده سازی شده است که دقت در تمامی ماه‌ها به طور میانگین 64% نسبت به روش کریجینگ معمولی بهبود یافته است. در نتیجه در این تحقیق بهترین روش درونیابی برای مدلسازی آلودگی هوا ارائه شده است. از این روش می‌توان به عنوان روشی مکمل در مواقعی که خلاء اطلاعات منابع آلودگی هوا وجود دارد برای تخمین میزان کیفیت هوا استفاده نمود.

کلیدواژه‌ها


K. Teather, N. Hogan, K. Critchley, M. Gibson, S. Craig, and J. Hill, “Examining the links between air quality, climate change and respiratory health in Qatar,” Avicenna, p. 9, 2013.

R. W. Boubel, D. Vallero, D. L. Fox, B. Turner, and A. C. Stern, Fundamentals of air pollution. Elsevier, 2013.

M. Dehghani, Y. Kamali, M. Ghanbarian, and N. A. Shamsedini, “Study of the Relationship between Indoor,” Outdoor Particle, 2015.

A. Zhang, Q. Qi, L. Jiang, F. Zhou, and J. Wang, “Population exposure to PM2. 5 in the urban area of Beijing,” PloS one, vol. 8, no. 5, p. e63486, 2013.

N. W. Jorgensen et al., “Vascular Responses to Long-and Short-Term Exposure to Fine Particulate Matter,” Journal of the American College of Cardiology, vol. 60, no. 21, pp. 2158–2166, 2012.

Y. Hao, H. Flowers, M. M. Monti, and J. R. Qualters, “US census unit population exposures to ambient air pollutants,” International journal of health geographics, vol. 11, no. 1, p. 3, 2012.

P. J. Mouser and D. M. Rizzo, “Evaluation of geostatistics for combined hydrochemistry and microbial community fingerprinting at a waste disposal site,” in Critical Transitions in Water and Environmental Resources Management, 2004, pp. 1–11.

C. V. Deutsch et al., JOURNAL. AG GSLIB Geostatistical Software Library and User’s Guide: Oxford University Press, 1998.

Ilan Levy and D. M. Broday, “Improving modeled air pollution concentration maps by residual interpolation,” Science of the Total Environment, vol. 598, pp. 780–788, 2017.

J. Li and A. D. Heap, “A review of comparative studies of spatial interpolation methods in environmental sciences: Performance and impact factors,” Ecological Informatics, vol. 6, no. 3–4, pp. 228–241, Jul. 2011.

L. D. Mercer et al., “Comparing universal kriging and land-use regression for predicting concentrations of gaseous oxides of nitrogen (NOx) for the Multi-Ethnic Study of Atherosclerosis and Air Pollution (MESA Air),” Atmos Environ, vol. 45, no. 26, pp. 4412–4420, Aug. 2011.

حبیبی, ر.، آل شیخ, ع.( ۱۳۹۶) ارزیابی کیفیت سرویس های درون یابی مکانی در توسعه ی سامانه های پایش آلودگی هوا بر مبنای اینترنت اشیاء. نشریه علمی پژوهشی علوم و فنون نقشه برداری. ۶ (۴) :۱-۱۵

میری, م., قانعیان, م. ت., قلیزاده, ع., یزدانی اول, م., و نیکونهاد, ع. (1396). تحلیل و پهنه بندی آلودگی هوا شهر مشهد با استفاده از مدل‌های مختلف تحلیل فضایی. مجله مهندسی بهداشت محیط, 3(2), 143–154.

بهاری, ر. ا., عباس پور, ر. ع., و پهلوانی, پ. (1394). پهنه بندی آلودگی ذرات معلق با استفاده از مدل های آماری محلی در GIS (مطالعه موردی، شهر تهران).علوم و فنون نقشه برداری, 5(3), 165–173.

A. Eslami and S. M. Ghasemi, “Determination of the best interpolation method in estimating the concentration of environmental air pollutants in Tehran city in 2015,” Journal of Air Pollution and Health, vol. 3, no. 4, pp. 187–198, 2018

A. Eslami and S. M. Ghasemi, “Determination of the best interpolation method in estimating the concentration of environmental air pollutants in Tehran city in 2015,” Journal of Air Pollution and Health, vol. 3, no. 4, pp. 187–198, 2018.

Z. Qi, T. Wang, G. Song, W. Hu, X. Li, and Z. Zhang, “Deep air learning: Interpolation, prediction, and feature analysis of fine-grained air quality,” IEEE Transactions on Knowledge and Data Engineering, vol. 30, no. 12, pp. 2285–2297, 2018.

S. O. Nabavi, L. Haimberger, and E. Abbasi, “Assessing PM2. 5 concentrations in Tehran, Iran, from space using MAIAC, deep blue, and dark target AOD and machine learning algorithms,” Atmospheric Pollution Research, vol. 10, no. 3, pp. 889–903, 2019.

D. Núñez-Alonso, L. V. Pérez-Arribas, S. Manzoor, and J. O. Cáceres, “Statistical Tools for Air Pollution Assessment: Multivariate and Spatial Analysis Studies in the Madrid Region,” Journal of analytical methods in chemistry, vol. 2019, 2019.

 

R. Shad, M. S. Mesgari, and A. Shad, “Predicting air pollution using fuzzy genetic linear membership kriging in GIS,” Computers, environment and urban systems, vol. 33, no. 6, pp. 472–481, 2009.

D. J. Toal, N. W. Bressloff, A. J. Keane, and C. M. E. Holden, “The development of a hybridized particle swarm for kriging hyperparameter tuning,” Engineering optimization, vol. 43, no. 6, pp. 675–699, 2011.

 

R. Webster and M. A. Oliver, Geostatistics for environmental scientists. John Wiley & Sons, 2007.

L. Dao, L. Morrison, G. Kiely, and C. Zhang, “Spatial distribution of potentially bioavailable metals in surface soils of a contaminated sports ground in Galway, Ireland,” Environmental geochemistry and health, vol. 35, no. 2, pp. 227–238, 2013.

زارع خوش اقبال, م. , غضبان ,ف., شریفی, ف., و خسروتهرانی, خ.(1390) استفاده از زمین آمار و GIS در پهنه بندی آلودگی فلزات سنگین در رسوبات تالاب انزلی.‎فصلنامه زمین, 6(19) , 33-49.

H. Wackernagel, Multivariate geostatistics: an introduction with applications. Springer Science & Business Media, 2013.

P. A. Burrough and R. A. McDonnell, “Principles of GIS,” Oxford University Press: London, UK, 1998.

A. Boufassa and M. Armstrong, “Comparison between different kriging estimators,” Mathematical Geology, vol. 21, no. 3, pp. 331–345, 1989.

P. Goovaerts, “Geostatistics for natural resources evaluation. Oxford Univ. Press, New York.,” Geostatistics for natural resources evaluation. Oxford Univ. Press, New York., 1997.

I. Clark and W. V. Harper, Practical Geostatistics 2000. EcoSSe North America Llc, Ohio. 2001.

A. Paz-González, S. Rosa Vieira, and M. Ulloa Guitián, “Spatial variability of nutrient status and soil general properties at different scales,” 2003.

S. Srivastava and I. N. Sinha, “Classification of air pollution dispersion models: a critical review,” in Proceedings of National Seminar on Environmental Engineering with special emphasis on Mining Environment, NSEEME-2004, 2004.

E. J. Pebesma, “Multivariable geostatistics in S: the gstat package,” Computers & Geosciences, vol. 30, no. 7, pp. 683–691, 2004.

M. Hasanlou and F. Samadzadegan, “ICA/PCA base genetically band selection for classification of Hyperspectral images,” in 31st Asian Conference on Remote Sensing, 2011.

D. E. Goldberg and J. H. Holland, “Genetic algorithms and machine learning,” Machine learning, vol. 3, no. 2, pp. 95–99, 1988.

J. Kennedy, “The particle swarm: social adaptation of knowledge,” in Proceedings of 1997 IEEE International Conference on Evolutionary Computation (ICEC’97), 1997, pp. 303–308.