کاربست مدل های زمین آماری در برآورد توزیع فضایی آلاینده های هوای شهر تهران

الموضوعات :

منصور حلیمی ¹ , زهرا زارعی چقابلکی ² , وحیده صیاد ³ , حسن جمس ⁴

1 - دانش آموخته دکتری گروه آب و هواشناسی، دانشگاه تربیت مدرس، تهران، ایران.
2 - دکترای گروه آب و هواشناسی، دانشگاه لرستان، لرستان، ایران.
3 - کارشناس ارشد گروه آب و هواشناسی دانشگاه تربیت مدرس تهران، تهران، ایران.
4 - کارشناس ارشد گروه جغرافیا، دانشگاه سیستان و بلوچستان، ایران.

تاريخ الإرسال : 01 الأحد , جمادى الأولى, 1435 تاريخ التأكيد : 25 الأحد , ذو الحجة, 1435 تاريخ الإصدار : 01 الأربعاء , ذو الحجة, 1438

الکلمات المفتاحية: آلودگی هوا, مدل های زمین آماری, کریجینگ, اعتبارسنجی, تهران,

ملخص المقالة :

زمینه و هدف: آلودگی هوا یکی از معضلات اصلی شهرهای پرجمعیت و صنعتی می باشد که در مور کلان شهر تهران نیز همواره به چشم میخورد . آگاهی از وضعیت غلظت آلاینده های هوا و توزیع فضایی آن ها در مناطق مختلف شهری امکان برنامه ریزی و مدیریت بهتری را فراهم مینماید. هدف این تحقیق ارایه یک مدل مناسب برای برآورد یک سطح پیوسته بهینه از 4 آلاینده منو اکسید کربن، دی اکسید ازت، ازن و ذرات معلق کمتر از 10 میکرون، در سطح شهر تهران است که از طریق آن بتوان دقیق ترین برآورد را از غلظت هر آلاینده در موقعیت های فاقد ایستگاه کنترل کیفی هوا انجام داد روش بررسی: در این راستا ابتدا داده آلاینده ها برای 21 ایستگاه سنجش کنترل کیفی هوا از شرکت کنترل کیفیت هوای تهران برای یک دوره دو ساله (1391 تا 1392) برای ساعت UTC 00 اخذ شد. 4 دسته از مدل های درون یاب زمین آماری به نام های کریجینگ عام، ساده، معمولی و کوکریجینگ با نیم تغییرنمای گاوسین، برای 4 آلاینده یاد شده، اجرا گردید و در نهایت 16سطح پیوسته برای آلاینده ها تولید شد. حال برای ارزیابی وگزینش روش برآورد بهینه برای هرکدام از آلاینده ها، از 3 شاخص اعتبارسنجی آماری خطاهای مطلق و اریبی و جذر مربع خطاها استفاده شد. در نهایت سطوح عدم قطعیت نقشه های برآورد ی برا ی هر آلاینده در سطح اطمینان 95/0(P_value =0.05) نیز ارایه گردید. یافته‌ها: نتایج نشان داد با به کارگیری متغیرهای کمکی که همبستگی معنی داری با دو آلاینده COوNO2 دارند، مدل کوکریجینگ معمولی با نیم تغییرنمای گاوسین، به عنوان مدل بهینه برآورد این دو آلاینده انتخاب شد. در حالی که برای دو آلاینده PM10 و O3 مدل کریجینگ ساده به عنوان مدل بهینه انتخاب گردید. نقشه های برآورد ی با استفاده از مدل های بهینه نشان داد که غلظت دو آلاینده NO2 و CO در مناطق مرکزی و شمالی شهر تهران به ویژه مناطق 1 تا 4 بیشتر از سایر نواحی است.در حالی که دو آلاینده O3 و PM10 در حواشی شهر تهران دارای بالاترین تراکم هستند. بحث و نتیجه‌گیری: با به روز کردن داده های این مدل های بهینه می توان از اطلاعات آن ها برای برآورد مقادیر الاینده ها در مکان هایی که فاقد ایستگاه است استفاده نمود.

المصادر:

 

1-      Stijn Janssen, Gerwin Dumon, Frans Fierens, Clemens Mensink, (2008),  Spatial interpolation of air pollution measurements using CORINE land cover data, Atmospheric Environment 42 4884–4903

2-      Yanosky JD, Paciorek CJ, Schwartz J, Laden F, Puett R, ShuHH.( 2008), Spatio-temporal modeling of chronic PM10exposure for the Nurses' Health Study. Atmos Environ;42 (18):4047–62

3-      Liang, W., Wei, H. and Kuo, H., (2009). Association between daily mortality from respiratory and cardiovascular diseases and air pollution in Taiwan.  Environmental Research, 109, pp. 51-58.

4-      Hosseinpour, A.R., Forouzanfar, M.H., Yunesian, M., Asghari, F., Holakouie Naieni, K. and Farhood, D., (2005). Air pollution and hospitalization due to angina pectoris in Tehran, Iran: A time-series study. Environmental Research,99,pp. 126-131 [In Persian]

5-      Ghorbani, M. and Younesian, M., (1389). Research Projects in Air pollution Epidemiology.  Iranian Epidemiology Journal. 5, pp. 44-52 [In Persian]

6-      Rajarathnam, U., Sehgal M., Nairy S., Patnayak R.C., Chhabra S.K., Kilnani, K.V., R and Committee., HHR, (2011). Time Series study on air pollution and mortality in Dehli. Res Rep Health Eff Inst,Mar,pp. 47-74

7-      D. Vienneau, K. de Hoogh, D. Briggs, (2009), A GIS-based method for modelling air pollution exposures across Europe, Science of the Total Environment 408 , 255–266

8-      Wong D.W., Lester Yuan And Susan A. Perlin, (2004) , Comparison of spatial interpolation methods for the estimation of air quality data, Journal of Exposure Analysis and Environmental Epidemiology,14, 404–415

9-      Gerboles Michel and Reuter Hannes I,( 2010), Estimation of the measurement uncertainty of ambient air pollution datasets using geostatistical analysis European Commission, Joint Research Centre Institute for Environment and Sustainability, , Pages 1-37

10-  Moscato Umberto, Esposito Teresa, Vanini Giancarlo., (2011), Nitrous oxide pollution: a geostatistical method toassess spatial distribution of anaesthetic gases andhospital staff exposure exposure, human responses and building investigations ,Pages  487-492

11-  Gretchen T. Goldman ,James A. Mulholland, Armistead G. Russell, Katherine Gass , Matthew J. Strickland, Paige E. (2012),Tolbert. Characterization of ambient air pollution measurement error in a time-series health study using a geostatistical simulation approach Atmospheric Environment Volume 57, September, Pages 101–108

12-  Willmott, C. J., (1984). On the evaluation of model performance in physical geography. In Spatial Statistics and Models, ed. G. L. Gaile, and C. J. Willmott, pp. 443-460.

13-  Sharolyn Anderson , (2004), An Evaluation of Spatial Interpolation Methods on Air Temperature in Phoenix, AZ. G. Lorentz, and e. al, pp. 203-67. New York: Academic Press