مدل سازی و تحلیل مکانی زمانی پراکنش ذرات معلق در سطح شهر تهران بر پایه آنالیز های مکانی در محیط GIS
محورهای موضوعی :
سیستم اطلاعات جغرافیایی
سمیرا ذاکری کیا
1
,
حسین آقامحمدی
2
,
سعید بهزادی
3
,
زهرا عزیزی
4
1 - کارشناس ارشد رشته سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده منابع طبیعی و محیط زیست، دانشگاه آزاد اسلامی واحد علوم تحقیقاتتهران، ایران.
2 - استادیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده منابع طبیعی و محیط زیست، دانشگاه آزاد اسلامی واحد علوم تحقیقات تهران، ایران (مسوول مکاتبات).
3 - استادیار گروه نقشه برداری، دانشکده عمران، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران.
4 - استادیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده منابع طبیعی و محیط زیست، دانشگاه آزاد اسلامی واحد علوم تحقیقات تهران، ایران
تاریخ دریافت : 1396/06/08
تاریخ پذیرش : 1398/09/26
تاریخ انتشار : 1398/11/01
کلید واژه:
PM 10,
. PM 2.5,
پراکنش,
تحلیل مکانی,
چکیده مقاله :
زمینه و هدف: در سال های اخیر آلاینده ذرات معلق، به ویژه ذرات معلق با قطر کم تر از 5/2 میکرون شاخص ترین آلاینده شهر تهران بوده است. یکی از مهم ترین اقدامات برای حل مشکل ذرات معلق دست یابی به اطلاعات مناسب راجع به پراکنش و انتشار این آلاینده ها در دوره های زمانی مختلف می باشد، در این مطالعه هدف، ارایه راهکاری مکان مند برای مدل سازی و تحلیل مکانی و زمانی پراکنش ذرات معلق بر پایه آنالیزهای GIS ای می باشد.روش بررسی: در مرحله اول داده های دریافتی مربوط به آلاینده های PM 2.5 و PM 10 از شرکت کنترل کیفیت هوای تهران اخذ و جهت ورود به محیط GIS آماده سازی شد، و در ادامه با بررسی دقت روش های مختلف درون یابی، روش IDW به عنوان بهترین روش درون یابی برای تهیه نقشه میزان غلظت این آلاینده ها در سطح تهران انتخاب شد.یافته ها: با توجه به داده های روزانه این آلاینده ها در سال های 93 و 94، نقشه های روزانه و میانگین ماهانه و سالانه غلظت آن ها تهیه گردید و با توجه به نتایج بدست آمده، تحلیل مکانی و زمانی پراکنش آلاینده های PM 2.5 و PM 10 در شهر تهران انجام شد.بحث و نتیجه گیری: با توجه به بررسی های انجام شده می توان گفت بیش ترین غلظت آلاینده PM 10 در مناطق جنوب غربی و آلاینده PM 2.5 در محدوده شهرری و قسمت هایی از بخش مرکزی شهر مشاهده می شود.
چکیده انگلیسی:
Introduction and objective:Recently, pollutant particles, in particular suspended particles with a diameter of less than 2.5 microns, have been the most common pollutant in Tehran. One of the most important processes to solve the problem of suspended particles is to obtain appropriate information on the distribution of these pollutants at different time periods. The goal of this study is to propose a spatial approach for modeling and analyzing the spatial and temporal distribution of suspended particles based on GIS analyzes.Materials and Methods:At first step, PM 2.5 and PM 10 pollutants was collected from Tehran Air Quality Control Company. Then, the accuracy of different interpolation methods was evaluated. Finally, the IDW method was selected as the best interpolation method for plotting the concentration of these pollutants in TehranResult: Daily, Monthly average and annual average concentrations map were prepared according to the daily data of these pollutants in the years 93 and 94. As a result, spatial and temporal analysis of distribution of PM 2.5 and PM 10 contaminants in Tehran was madeDiscussion and conculation: According to the performed study, it can be said that the highest concentration of PM10 pollutants is found in the southwest of the city and the highest concentration of PM 2.5 pollutants is found in Shahr-e-Ray and central part of the city.
منابع و مأخذ:
Tehran Air Quality Control Company, “Tehran Air Quality Report in 2015”, 2016. (In Persian)
Gholizadeh, M. H., Farajzadeh, M., Daran, M., "Relationship between Air Pollution and Mortality in Tehran City Population", Hakim Research Journal, 2009, Vol.12, No. 2. (In Persian)
Keshavarzi Shirazi, H., Farah Sadat H., Mirmohammadi, M., "Investigation and Measurement of VOCs in Indoor and Public Places", Environmental Studies, 2005, Vol.29, No.32. (In Persian)
Bahari, R. A., Abaspour, R. A., Pahlavani, P., Zoning of Particulate Matters (PM) Pollution Using Local Statistical Models in GIS (Case Study: Tehran Metropolisies), Journal of Geomatics Science And Technology (JGST), 2016, Vol.5, No. 3, pp.165-174. (In Persian)
Adams, M.D. Kanaroglou, P.S., 2016. Mapping real-time air pollution health risk for environmental management: Combining mobile and stationary air pollution monitoring with neural network models. Journal of Environmental Managemen, Vol.168, pp.133-141.
Liu, Z., Xie, M., Tian, K., Gao, P., 2017. GIS-based analysis of population exposure to PM2.5 air pollution—a case study of Beijing. Journal of Enviromental Sciences, Vol.59, pp. 48-53.
Tasdemir, U., Cindoruk, S., Esen, F., 2005. Monitoring of criteria air pollutants in bursa, turkey, Environmental Monitoring and Assessment, Vol. 110, pp. 227-241.
Nuvolone, D. And [et al], 2011. Geographical information system and environmental epidemiology: a cross-sectional spatial analysis of the effects of traffic-related air pollution on population respiratory health. Environmental Health, Vol.10, pp. 12-23.
Lindstrom, J. And [et al], 2013. A flexible spatio-temporal model for air pollution with spatial and spatio-temporal covariates. Environmental and Ecological Statistics, Vol.21 (3), pp. 411-433.
Stroh, E., 2010. The use of GIS in assessing exposure to airborne pollutants, Sweden: Lund University, Department of medicine.
_||_
Tehran Air Quality Control Company, “Tehran Air Quality Report in 2015”, 2016. (In Persian)
Gholizadeh, M. H., Farajzadeh, M., Daran, M., "Relationship between Air Pollution and Mortality in Tehran City Population", Hakim Research Journal, 2009, Vol.12, No. 2. (In Persian)
Keshavarzi Shirazi, H., Farah Sadat H., Mirmohammadi, M., "Investigation and Measurement of VOCs in Indoor and Public Places", Environmental Studies, 2005, Vol.29, No.32. (In Persian)
Bahari, R. A., Abaspour, R. A., Pahlavani, P., Zoning of Particulate Matters (PM) Pollution Using Local Statistical Models in GIS (Case Study: Tehran Metropolisies), Journal of Geomatics Science And Technology (JGST), 2016, Vol.5, No. 3, pp.165-174. (In Persian)
Adams, M.D. Kanaroglou, P.S., 2016. Mapping real-time air pollution health risk for environmental management: Combining mobile and stationary air pollution monitoring with neural network models. Journal of Environmental Managemen, Vol.168, pp.133-141.
Liu, Z., Xie, M., Tian, K., Gao, P., 2017. GIS-based analysis of population exposure to PM2.5 air pollution—a case study of Beijing. Journal of Enviromental Sciences, Vol.59, pp. 48-53.
Tasdemir, U., Cindoruk, S., Esen, F., 2005. Monitoring of criteria air pollutants in bursa, turkey, Environmental Monitoring and Assessment, Vol. 110, pp. 227-241.
Nuvolone, D. And [et al], 2011. Geographical information system and environmental epidemiology: a cross-sectional spatial analysis of the effects of traffic-related air pollution on population respiratory health. Environmental Health, Vol.10, pp. 12-23.
Lindstrom, J. And [et al], 2013. A flexible spatio-temporal model for air pollution with spatial and spatio-temporal covariates. Environmental and Ecological Statistics, Vol.21 (3), pp. 411-433.
Stroh, E., 2010. The use of GIS in assessing exposure to airborne pollutants, Sweden: Lund University, Department of medicine.