مدل داده‌کاوی مبتنی بر یادگیری ماشین جهت پیش‌بینی آلودگی هوا در کلان‌شهرهای ایران
الموضوعات :
عباس ملکی
1
,
صادق عابدی
2
,
علیرضا ایرج پور
3
1 - گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه آزاد اسلامی واحد قزوین، قزوین، ایران
2 - استادیار گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه آزاد اسلامی، واحد قزوین، قزوین، ایران
3 - استادیار گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه آزاد اسلامی، واحد قزوین، قزوین، ایران
الکلمات المفتاحية: پیش بینی آلودگی هوا, کلان‌شهرهای ایران, یادگیری ماشین, شبکه عصبی, کووید-19,
ملخص المقالة :
مقدمه: در پاسخ به همهگیری کووید-19 ،دولتها در سراسر دنیا محدودیتهای شدیدی را اعمال نموده و سناریوهای متفاوتی از کاهش انتشار آالیندههای ناشی از منابع ترافیکی را ارائه کردند. با اعمال محدودیتهای ترافیکی ناشی از همهگیری کووید-19 و قرنطینه، به نظر می رسید کاهش در تردد وسایل نقلیه و غلظت آالیندهها صورت پذیرفته و به نوعی شاخص کیفیت هوا به استانداردهای کیفیت نزدیک گردد. بنابراین انتظار می رفت تغییراتی در غلظت آالیندههای منواکسید کربن )CO ،)ازن )O3 ،)منواکسید نیتروژن )NO ،)دی اکسید نیتروژن )NO2 ،)اکسیدهای نیتروژن )NOx ،)دی اکسید گوگرد )SO2 ،)ذرات معلق با اندازه 5.2 میکرومتر یا کمتر )5.PM2 )و ذرات معلق با اندازه 10 میکرومتر یا کمتر )PM10)که از عوامل بیماری زا و بعضاً مرگ زودرس می باشند، مشاهده گردد.
مواد و روشها: با استفاده از روش یادگیری ماشین، در مرحله اول تغییر غلظت آالینده ها در دوره همه گیری کووید-19 نسبت به دوره قبل از آن مورد بررسی قرار گرفت تا مشخص گردد که اعمال محدودیت های ترافیکی چه تاثیری در تغییر غلظت آالینده ها در هر یک از کالنشهرهای مشهد و شیراز داشته است. در مرحله دوم، الگوهای پیش بین با استفاده از شبکه های عصبی پیشخور و عمیق جهت پیش بینی سطح اهمیت بهداشتی بر اساس اعمال هر یک از محدودیت های ترافیکی در هر کالنشهرارائه گردید
نتایج و بحث: این مطالعه نشان داد که تغییر غلظت آالیندهها در دوران کووید-19 نسبت به قبل از آن، در کالنشهرهای مشهد و شیراز متفاوت بوده است. با توجه به نتیجه حاصل شده و تفاوت در روند تغییر غلظت آالینده ها، جهت کنترل شاخص کیفیت هوا، الگوهای پیشبین برای هر کالنشهر ارائه گردید.
نتیجه گیری: برای آالیندهها، الگوی افزایشی و یا کاهشی یکسانی در کالنشهرهای مورد مطالعه مشاهده نشد، پس میتوان گفت که تاثیر محدودیتهای یکسان بر روی تغییر غلظت آالیندهها در شهرهای مختلف، متفاوت بوده است؛ لذا اعمال محدودیتهای یکسان در تمامی شهرها، لزوماً منجر به کاهش آلودگی نشده و میبایست برای برای هر موقعیت شهری و زیستمحیطی، الگوی محدودیتهای ترافیکی مختص آن موقعیت تهیه گردد. الگوی حاصل از این تحقیق را می توان به صورت روزانه، هفتگی، ماهانه و ساالنه برای هر یک از دو کالنشهر مورد استفاده قرار داد و مشخص کرد که کدام محدودیت ها در کدام شهر سبب خواهد شد تا بتوانیم شاخص کیفیت هوا را کنترل نماییم.
Ahmadi Arkami A, Kamkar A, Aghajani Z. Investigating the spatial and temporal changes of CO and NOX emissions caused by motor vehicles using MOVES software: a case study of Beheshti Boulevard and Modares in Rasht. Iranian Journal of Health and Environment. 1398. 12th volume, 2nd issue. pages 203-216. . https://ijhe.tums.ac.ir/article-1-6212-fa.html [In Persian]
Bengio Y. Learning Deep Architectures for AI (PDF). Foundations and Trends in Machine Learning. 2009. 2 (1): 1–127. CiteSeerX 10.1.1.701.9550. S2CID 207178999. Archived from the original (PDF) on 4 March 2016. Retrieved 3 September 2015. doi: 10.1561/2200000006
Berry M, Linoff G. Mastering Data Mining, John Wiley, Hoboken, NJ. 2000. doi.org/10.1108/imds.2000.100.5.245.2
Berson A, Smith S, Thearling K. Building Data Mining Applications for CRM, McGraw Hill. 2000. https://search.worldcat.org/title/building-data-mining-applications-for-crm/oclc/47008776
Bhatti U.A, Zeeshan Z, Nizamani M.M, Bazai S, Yu Z, Yuan.L. Assessing the change of ambient air quality patterns in Jiangsu Province of China pre-to post-COVID-19. 2022. Chemosphere, Vol.288, 132569. doi: 10.1016/j.chemosphere.2021.132569
Bherwani H, Gautam S, Gupta A. Qualitative and quantitative analyses of impact of COVID-19 on sustainable development goals (SDGs) in Indian subcontinent with a focus on air quality. 2021. Int. J. Environ. Sci. Technol. 18 (4) (2021) 1019–1028. doi.org/10.1007/s13762-020-03122-z
Bherwani H, Kumar S, Musugu K, Nair M, Gautam S, Gupta A, Ho C-H, Anshul A, Kumar R. Assessment and valuation of health impacts of fine particulate matter during COVID-19 lockdown: a comprehensive study of tropical and sub tropical countries, Environ. Sci. 2021. Pollut. Res. 28 (32) (2021) 44522–44537. doi.org/10.1007/s11356-021-13813-w
Chang H, Chad D, Feng A. COVID-19 prevention, air pollution and transportation patterns in the absence of a lockdown. 2021. Journal of Environmental Management 298 (2021) 113522. doi.org/10.1016/j.jenvman.2021.113522
Chelani A, Gautam S. Lockdown during COVID-19 pandemic: a case study from Indian cities shows insignificant effects on persistent property of urban air quality, Geosci. Front. 2022. 13 (6) (2022), 101284. doi.org/10.1016/j.gsf.2021.101284
Fazel-Rastegar F, Sivakmar V. A case study of weather impact on air pollution during the COVID-19 pandemic in South Africa. Scientific African. 2023. Volume 22, November 2023, e01914. doi.org/10.1016/j.sciaf.2023.e01914
Gautam S, Samuel C, Gautam A, Kumar S. Strong link between coronavirus count and bad air: a case study of India. 2021. Environ. Dev. 2021. Sustain. 23 (11) (2021) 16632–16645. doi.org/10.1007/s10668-021-01366-4
Gautam S. The influence of COVID-19 on air quality in India: a boon or inutile, Bull. Environ. 2020. Contam. Toxicol. 104 (6) (2020) 724–726. doi.org/10.1007/s00128-020-02877-y
Gavrilova Y. A Guide to Deep Learning and Neural Networks. archived from the original on 2020-11-02, retrieved 2020-11-16. 2020. https://serokell.io/blog/deep-learning-and-neural-network-guide
Gonzalez-pardo J, Ceballos-Santos S, Manzanas R, Santibanez M, Fernandez-Olmo I. Estimating change in air pollutant levels due to COVID-19 lockdown measures based on a business-as-usual prediction scenario using data mining models: A case-study for urban traffic sites in Spain. 2022. Sci. Total Environ. 823, 153786. doi.org/10.1016/j.scitotenv.2022.153786
Gualtieri G, Brilli L, Carotenuto F, Vagnoli C, Zaldei A, Gioli B. Quantifying road traffic impact on air quality in urban areas: A COVID-19 –inducted lockdown analysis in Italy. 2020. Environmental pollution 267(2020) 115682. doi.org/10.1016/j.envpol.2020.115682
Hardesty L. "Explained: Neural networks". MIT News Office. 2017. Retrieved 2 June 2022. https://news.mit.edu/2017/explained-neural-networks-deep-learning-0414
Hidalgo García D, Diaz J.A, Impacts of the COVID-19 confinement on air quality, the Land Surface Temperature and the urban heat island in eight cities of Andalusia (Spain). 2021. Remote Sensing Applications: Society and Environment. 25. doi.org/10.1016/j.rsase.2021.100667
Kantardzic M. Data Mining: Concepts, Models, Methods, and Algorithms. 2003. John Wiley. https://ieeexplore.ieee.org/book/5265979
Kolluru S.S.R, Nagendra S.M, Patra A.K, Gautam S, Alshetty V.D, Kumar P. Did unprecedented air pollution levels cause spike in Delhi’s COVID cases during second wave? 2022. in: Stochastic Environmental Research and Risk Assessment. pp. 1–16. doi.org/10.1007/s00477-022-02308-w
Larose D, Larose C. Discovering Knowledge in Data. 2014. John Wiley. doi:10.1002/9781118874059
Lin G. Y, Chen W. Y, Chieh S. H, & Yang Y. T. Chang impact analysis of level 3 COVID-19 alert on air pollution indicators using artificial neural network. 2022. Ecological informatics. 69, 101674. doi.org/10.1016/j.ecoinf.2022.101674
Malekzadeh Sh. Investigation and assessment of air pollution in cities and the need to implement laws to reduce pollution, the fourth national conference on urban planning, architecture, construction and environment. 1397. Shirvan. https://civilica.com/doc/774175 [In Persian]
McDuffie E, Martin R, Yin H, Brauer M. Global Burden of Disease from Major Air Pollution Sources (GBD MAPS): A Global Approach. Research Report 210. 2021. Boston, MA:Health Effects Institute. PMCID: PMC9501767. PMID: 36148817 https://pubmed.ncbi.nlm.nih.gov/36148817
Munnoli P M, Nabapure S, Yeshavanth G. Post-COVID-19 precautions based on lessons learned from past pandemics: a review. 2020. J. Public Health 1–9. doi.org/10.1007/s10389-020-01371-3
Sanchez-Lorenzo A, Vaquero-Martínez J, Calbó J, Wild M, Santurtún A, Lopez-Bustins J, Vaquero J, Folini D, Antón M. Did anomalous atmospheric circulation favor the spread of COVID-19 in Europe? 2020. Environ. Res. 194, 110626. doi.org/10.1016/j.envres.2020.110626
Schmidhuber J. Deep Learning in Neural Networks: An Overview". Neural Networks. 2015. 61: 85–117. arXiv:1404.7828. PMID 25462637. S2CID 11715509. doi:10.1016/j.neunet.2014.09.003
Shaygan M, Mokarram M. Investigating Air Pollution during the Corona Era and before that in the Metropolises of Tehran, Isfahan and Qom. 1402. doi.org/ 10.48308/GISJ.2023.103607 [In Persian]
Singh Saharan U, Kumar R, Tripathy P, Sateesh M, Grag J, Kumar Sharma S, Kumar Mandal T. Drivers of air pollution variability during second wave of COVID-19 in Delhi, India. 2022. Urban climate 41 (2022) 101059. doi.org/10.1016/j.uclim.2021.101059
Szegedy C, Toshev A, Erhan D. Deep neural networks for object detection. 2013. Advances in Neural Information Processing Systems: 2553–2561. Archived from the original on 2017-06-29. Retrieved 2017-06-13. https://proceedings.neurips.cc/paper_files/paper/2013/file/f7cade80b7cc92b991cf4d2806d6bd78-Paper.pdf
Uday U, Bethineedi L. D, Hasanain M, Ghazi B. K, Nadeem A, Patel P, Khalid Z. Effect of COVID-19 on air pollution related illnesses in India. 2022. Annals of medicine and surgery 78, 103871. doi.org/10.1016/j.amsu.2022.103871
Wijnands J. S, Nice K.A, Seneviratne S, Thompson J, Stevenson M. The impact of the COVID-19 pandemic on air pollution: A global assessment using machine learning techniques. Atmospheric pollution research. 2022. doi.org/10.1016/j.apr.2022.101438
Yang M, Chen L, Msigwa G, Tang K.H.D, Yap p-s. Implications of COVID-19 on global environmental pollution and carbon emissions with strategies for sustainability in the COVID-19 era. 2022. Sci. Total Environ, Vol.809, 151657. doi.org/10.1016/j.scitotenv.2021.151657
Yiqun M, Federica N, Anne M, Robert D, Patrick L, Annette P, Massimo S, Susanne B, Kai C. Air pollution changes due to COVID-19 lockdowns and attributable mortality changes in four countries. 2024. doi.org/10.1016/j.envint.2024.108668
Zell A. Simulation Neuronaler Netze [Simulation of Neural Networks] (in German) (1st ed.). 1994. Addison-Wesley. p. 73. ISBN 3-89319-554-8. https://www.amazon.com/Simulation-Neuronaler-Netze-German-Andreas/dp/3486243500
Zihao F, Xuhong W, Jiaxin Y, Ying Z, Mengqianxi Y. Changes in air pollution, land surface temperature, and urban heat islands during the COVID-19 lockdown in three Chinese urban agglomerations. 2023. Science of the Total Environment 892 (2023) 164496. doi.org/10.1016/j.scitotenv.2023.164496
