Presenting a data mining model based on sustainable development index in the urban management of Tehran metropolis affected by the covid-19 epidemic.

Subject Areas :

Abbas  Maleki ¹ (Industrial Management - faculty of Management and Accounting - Islamic Azad University, Qazvin branch - Qazvin - Iran)
sadegh  abedi ² (islamic azad university of qazvin)
Alireza  Irajpoor ³ (استادیار دانشکده مدیریت و حسابداری، دانشگاه آزاد اسلامی واحد قزوین، قزوین، ایران (عهده دار مکاتبات))

Received: 2023-08-07 Accepted : 2024-04-25 Published : 2024-04-25

Keywords: Data mining, decision tree, sustainable development, traffic restrictions, covid-19,

Abstract :

By applying the restrictions caused by the Covid-19 pandemic, it seems that changes in the concentrations of pollutants CO, O3, NO, NO2, SO2, PM2.5, PM10 and AQI can be seen in the periods before and after the epidemic. Therefore, the changes of air pollutants and traffic restrictions are investigated as one of the sub-categories of environmental indicators of sustainable urban development in the period of 2018/01/21 to 2022/03/20 in the stations under the supervision of Tehran city. First, the data is collected, processed and cleaned. Machine learning methods including decision tree, random forest, support vector machine, Bayesian network and perceptron neural network are applied to select the effective features using the particle swarm optimization method. Investigations showed that the prediction model using decision tree and random forest had the best performance for both precision and recall criteria. The results of the research showed that the concentration of pollutants in the period of Covid-19 compared to before, is increased in some stations and decreased in others, and also the application of traffic restrictions during the epidemic did not have a significant and noticeable effect in reducing the concentration of air pollutants. Also, by examining the trend of deaths during the epidemic period, it was found that the decrease or increase of pollutants has no significant relationship with the trend of deaths caused by Covid-19.

Full-Text:



مجله مدیریت توسعه و تحول

ارائه الگوی داده کاوی مبتنی بر شاخص توسعه پایدار در مدیریت شهری متاثر از همه‌گیری کووید-19

چكيده

با اعمال محدودیت‌های ناشی از همه‌گیری کووید-19، به نظر می‌رسد تغییراتی در غلظت‌ آلاینده­های CO، O3،NO ، NO2، SO2، PM2.5، PM10 و AQI در دوره‌های قبل و بعد از همه‌گیری دیده شود. از این رو، تغییرات آلاینده­های هوا و محدودیت­های ترافیکی به عنوان یکی از زیرمجموعه­های شاخص زیست‌محیطی توسعه پایدار شهری در بازه زمانی 01/11/1396 تا 29/12/1400 در ایستگاه­های تحت نظارت شهر تهران مورد بررسی ­قرار می­گیرد. ابتدا داده­ها جمع‌آوری، پردازش و پاکسازی می­شوند. بر روی ویژگی­های موثر انتخاب شده با استفاده از روش بهینه‌سازی ازدحام ذرات، روش­های یادگیری ماشین شامل درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، شبکه بیزین و شبکه عصبی پرسپترون اعمال می­شود. بررسی­ها نشان داد که مدل پیش‌بینی با استفاده از درخت تصمیم و جنگل تصادفی بهترین عملکرد را برای هر دو معیار صحت و فراخوانی داشت. نتایج تحقیق نشان داد که غلظت آلاینده­ها در دوران کووید-19 نسبت به قبل از آن، در بعضی از ایستگاه­ها افزایشی و در برخی دیگر کاهشی می­باشد و همچنین اعمال محدودیت­های ترافیکی در دوره همه‌گیری، تاثیر قابل توجه و محسوسی در کاهش غلظت آلاینده­های هوا نداشته است. همچنین با بررسی روند مرگ‌و‌میر در دوره همه‌گیری مشخص شد که کاهش و یا افزایش آلاینده­ها ارتباط معناداری با روند مرگ‌و‌میر ناشی از کووید-19 ندارد.

واژه‌های اصلی: داده‌کاوی، درخت تصمیم، توسعه پایدار، محدودیت‌های ترافیکی، کووید-19

 

1-                      مقدمه

  شهرنشینی متحول­ترین فرآیندی است که در دهه‌های اخیر منجر به تغییرات چشمگیری در نحوه زندگی، کار و تعامل شده است. با مهاجرت بیشتر مردم به شهرها، نیاز به استراتژی­های توسعه پایدار شهری بوجود آمد که رشد اقتصادی، حفاظت از محیط زیست و رفاه اجتماعی را متعادل می­کند. در عین حال، زمینه مطالعات و برنامه­ریزی شهری به سرعت در حال تحول است و چالش­هایی برای شهرها به صورت روزمره به­همراه دارد. از تغییرات آب و هوایی و کاهش منابع گرفته تا بیماری­های همه­گیر مانند کووید-19و نابرابری اجتماعی، ماهیت پیچیده و به هم پیوسته سیستم­های شهری نیازمند رویکردهای نوآورانه برای برنامه‌ریزی و طراحی هستند]1[. 

آلودگی هوا یک تهدید قابل توجه برای سلامت انسان و یک عامل فزاینده بیماری و مرگ‌و‌‌میر در سراسر جهان است. بسیاری از آلاینده‌های هوا که بر سلامت انسان تأثیر منفی می‌گذارند، ناشی از انتشار گازهای گلخانه‌ای مرتبط با احتراق از منابع مختلف از جمله ترافیک و تولید برق هستند. این آلاینده­ها شامل ذرات معلق¹ و آمونیاک² هستند که می­توانند باعث بیماری­های تنفسی، اختلال در عملکرد سیستم عصبی و سرطان شوند]2[.

ارتباط بین کاهش ترافیک و کیفیت هوا در طول قرنطینه کووید-19 همیشه در سراسر جهان واضح یا یکنواخت نبود. کاهش 53 تا 60% آلاینده‌های هوا از منابع ترافیکی (مونو‌اکسید‌کربن³ و دی‌اکسید‌نیتروژن ) در طول قرنطینه در نانجینگ چین وجود داشت]4[ و در سامرویل ایالات متحده، کاهش غلظت ذرات بسیار ریز (45-69%) و کربن سیاه (22-46%) وجود داشت که مرتبط با میزان ترافیک بود]5[. علاوه بر این، کاهش ترافیک (48-60٪) در شش شهر ایتالیا در کنار کاهش (25-59%) NO2 و (17-32%)  PM مشاهده شد]6[ و در کالیفرنیا، کاهش ترافیک (254-39%)، در کنار کاهش مونو‌اکسید‌نیتروژن⁴ (32-35%) و NO2 (15-29%)  مشاهده شد]7[. در برخی دیگر از تحقیقات، کاهش کمتری در آلاینده­های هوا به دلیل ترافیک یافتند. ترافیک باعث کاهش آلاینده­های (PM،NO،NO2) بین 3 تا 12٪ در سیاتل شد]8[ و هیچ کاهش قابل مشاهده­ای در PM2.5 و NO2 در ممفیس ایالات متحده مشاهده نشد، با اینکه ترافیک 57٪ کاهش یافته است]9[. شهر تهران، مدت­ها است که با مشکل آلودگي هوا مواجه است. البته در سال­های پيشين در ساير شهرهای ايران نيز آلودگی به شدت افزايش يافته است؛ تا جايي که در آخرين آمار منتشر شده از آلوده‌‌ترين شهرهای جهان در سال ۲٠١۳ از سوی سازمان جهاني بهداشت، نام چندين شهر از ايران در رتبه­های نخست اين فهرست به چشم مي خورد. طبق آمار وزارت بهداشت، سالانه هزاران سال عمر از دست رفته به دلیل آلودگی هوا برای مردم ایران مشاهده شده است که این موضوع جای تامل دارد. برای این منظور، در طول دوره مطالعه از دوره قبل از قرنطینه تا اعمال محدودیت‌ها و قرنطینه، دستورات ماندن در خانه به دلیل افزایش حجم ترافیک و آلاینده‌های مرتبط با وسایل نقلیه بررسی می­شود. اهداف خاص برای آزمایش این فرایند عبارت بودند از: (1) جمع‌آوری داده­های مرتبط با آلاینده­های کیفیت هوا در ایستگاه­های تحت نظارت استان تهران. (2) جمع‌آوری داده‌های مربوط به تغییرات ترافیک در ایستگاه­های مذکور و (3) بررسی و کشف رابطه بین تغییرات غلظت آلاینده­های هوا و داده­های ترافیک.

در اين تحقيق از تکنيک داده‌کاوی برای بررسي رابطه بين محدودیت‌های ترافیکی اعمال شده در دوره همه‌گیری، شاخص توسعه پايدار شهری و مرگ‌‌‎‌و‌‌میر ناشی از همه‌گیری کووید-19 استفاده خواهد شد. برای انتخاب ویژگی در این تحقیق از روش بهينه‌سازي ازدحام ذرات⁵ استفاده می­شود. در این تحقیق از متغیرهایی از جمله : PM10، PM2.5، CO، O3، NO، NO2، SO2 و AQI به عنوان آلاینده­های هوا استفاده می­شود. سوال اصلی این می­باشد که روند تغییر آلاینده­های هوا در طول همه­گیری کووید-19 به چه صورت بوده است و چگونه می­توان با استفاده از داده­های ثبت شده در سازمان­های ذیربط، شرایط مشابه در آینده را پیش‌بینی کرد؟

بنابراین، نوآوری این تحقیق بر روی موارد ذیل متمرکز می­گردد:

·       محاسبه تغییرات نسبی دوره‌های مختلف که نشان‌دهنده اقدامات محدودکننده در دوره کووید-19 در شهر تهران هستند.

·       ارائه الگویی مبتنی بر روش داده‌کاوی که برای توصیف رابطه همه‌گیری کووید-19 و شاخص آلودگی هوا در توسعه پایدار شهری در شهر تهران استفاده می­شود.

·       الگوی تحقیق برای پیش‌بینی آلودگی ناشی از حمل و نقل در محدودیت­های ترافیکی در شهر تهران بکار می­رود.

ادامه این تحقیق به این صورت سازماندهی می­شود: بخش دوم به کارهای مرتبط با الگوریتم­های داده‌کاوی، شاخص­های توسعه پایدار و همه­گیری کووید-19 خلاصه می­شود. مدل تحقیق در بخش سوم ارائه می­شود. در بخش چهارم، مجموعه داده­ها و معیارهای ارزیابی برای تجزیه و تحلیل مدل داده‌کاوی و آزمایشات روش تحقیق مطرح می­‌شود. نهایتا، در بخش پنجم، نتیجه‌گیری از یافته­های تحقیق به همراه برخی از جهت‌گیری­های تحقیقاتی آینده ارائه خواهد شد.

 

2-                      کارهای مرتبط

مطالعاتی در شهرهای مختلف جهان برای درک تأثیر قرنطینه کووید-19 بر روی سطوح غلظت متغیرهای آلایند­ه هوا (PM2.5، PM10، CO، NO، NO2، SO2، O3)، انجام شده است. مطالعات برای مدت زمان، درصد کاهش غلطت آلاینده­ها، حجم ترافیک، میزان میرگ‌و‌میر، مکان و روش‌های جمع‌آوری داده­ها انجام شده است که در ادامه به برخی از آنها اشاره می‌شود. جدول 1، خلاصه‌ای از برخی از روش­های مورد بررسی را نشان می­دهد. گونزالس پاردو و همکاران⁶ در پژوهش خود به تخمین تغییرات سطوح آلودگی هوا ناشی از کووید-19 با استفاده از تکنیک داده‌کاوی پرداختند که در آن پارامترهای NO، NO2، O3، PM2.5 و PM10 را مورد بررسی قرار داده بودند. در این تحقیق که سال 2020 به پنج دوره پیش از قرنطینه، قرنطینه، تشدید، عادی و قرنطینه مجدد تقسیم شده بود، مشاهده شد که پارامتر NOx بیش از 50% کاهش یافت، پارامتر O3 در تضاد با پارامتر NOx ، 23.9% افزایش یافت و همچنین پارامترهای PM10 و PM2.5 نیز دارای کاهش جزئی به میزان 4.1% و 2.3% بودند که نشان‌دهنده تاثیرپذیری کم پارامترهای PM10 و PM2.5 از منابع ترافیک و قرنطینه می­باشد]10[. گالتییری و همکاران⁷ به بررسی تغییرات پارامترهای آلودگی هوا در هفت شهر ایتالیا با استفاده از محیط R بدون امکان پیش‌بینی آتی پرداختند. نتایج تحقیق نشان داد که پارامتر PM10 در شهر پالرمو 31.5% کاهش و در شهر ناپولی 7.3% افزایش داشت. با این نتیجه می­توان گفت که نمی­توان میانگین نتایج چند شهر را به کل کشور و یا جهان تعمیم داد. همانگونه که مشاهده می­شود، پارامتر PM10 در دو شهر به میزان 39% با یکدیگر اختلاف داشته و یکی از پارامترها افزایشی و دیگری کاهشی می‌باشد]11[. میزان کاهش آلاینده‌های هوا ممکن است از شهری به شهر دیگر به دلیل تنوع عوامل محلی مانند توزیع منابع انتشار، شرایط جغرافیایی و روند انتشار آلاینده‌ها متفاوت باشد که ممکن است کمیت دقیق قرنطینه کووید-19 را پیچیده کند. هدف از این تحقیق پر کردن این شکاف با ارائه الگویی برای نظارت بر آلاینده‌های هوا و حجم ترافیک با اقدامات موثر از قرنطینه کووید-19 در شهر تهران می­باشد.

 

3-                      روش تحقیق

در تحقیق حاضر از تکنیک داده‌کاوی و شاخص­های آماری توصیفی برای ارزیابی رابطه کووید-19 با شاخص­ توسعه پایدار شهری و طرح­های ترافیک در ایستگاه­های هواشناسی تحت نظارت شهر تهران استفاده خواهد شد. در ابتدا به شناسایی و بررسی داده­ها پرداخته می­شود. داده­های شناسایی شده مربوط به بازه زمانی بهمن 1396 لغایت اسفند ماه 1400 می­باشند. سپس پاک­سازی و یکپارچه­سازی داده­ها انجام می­شود. براساس مدل شاخص­های آماری توصیفی، تغییرات نسبی سطح کیفیت هوا برای دوره‌های مختلف به دلیل اقدامات قرنطینه کووید-19 برای پارامترهای آلاینده­های هوا شامل CO، O3، NO2، NO، SO2، PM2.5 وPM10  در ایستگاه‌های ترافیک شهری انجام می شود تا میزان آلودگی هوا در سال­های مذکور تعیین گردد.  

سپس، از روش انتخاب ویژگی مبتنی بر الگوریتم بهینه سازی ازدحام ذرات استفاده می­شود تا ویژگی­های مهم­تر انتخاب شوند. در روش تحقیق، از الگوریتم­های درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، شبکه بیزین و شبکه عصبی پرسپترون برای ارزیابی و پیش‌بینی مدل استفاده می­گردد. ساختار روش تحقیق در شکل 1 نشان داده شده است.

3-1. بررسی معیارهای مرتبط با آلاینده­های آلودگی هوا و ترافیک

داده­های مرتبط با آلاینده‌های هوا از سازمان حفاظت محیط زیست کشور جمع‌آوری شده­اند. آلاینده­های هوا شامل CO، O3، NO2، NO، SO2، PM2.5، PM10  می­باشند تا AQI تعیین گردد. شاخص AQI برای هر روز، بزرگترین عدد مربوط به پارامترهای CO ، O3، NO2، SO2، PM2.5 و PM10 در آن روز می­باشد که در رابطه (1) نشان داده شده است.

در سایت سازمان محیط زیست، پارامتر NO جهت محاسبه AQI لحاظ نشده است. براساس AQI بدست آمده می­توان شاخص کیفیت هوا را متناسب با سطح اهمیت بهداشتی، براساس جدول 2 ارائه نمود.

2-3. پاک سازی و پیش پردازش داده­ها مبتنی بر روش همبستگی

پاک‌سازی داده‌ها به منظور تشخیص، حذف و اصلاح داده‌های نویزدار، ناقص و اشتباه در بین مجموعه داده­ها است که برای شناسایی داده‌های ناقص و نادرست، می­بایست اصلاح آن‌ها صورت گیرد.

 

(1)

---

[1]  particulate matter (PM)

[2]  ammonia (NH3)

[3]  Carbon Monoxide(CO)

[4]  Nitrogen Monoxide (NO)

[5]  Particle swarm Optimization (PSO)

[6]   Gonzalez-pedro et al

[7]  Gualtieri et al

جدول (1): ادبیات تحقیق در زمینه شاخص­ توسعه پايدار شهری متاثر از همه­گیری کوويد-19
ردیف	نویسنده مقاله	عنوان مقاله	سال انتشار	نتیجه	روش انجام کار
1	ویجناندز و همکاران1 ]12[	تاثیر همه­گیری کووید-19 بر آلودگی هوا: ارزیابی جهانی با استفاده از تکنیک­های یادگیری ماشین	2022	بیشترین کاهش NO2 در طول قرنطینه اولیه در چین، اروپا و هند مشاهده شد. آلودگی در سراسر سال 2020 به طور کامل به سطح قبل از همه­گیری بازنگشت. برای ذرات معلق، بزرگترین کاهش مطلق در چین و هند رخ داد. در بسیاری از کشورها، افزایش سطح O3 در طول قرنطینه‌های اولیه مشاهده شد.	یادگیری ماشین برای مدل­سازی آلودگی هوا با متغیرهای آب و هوا مورد استفاده قرار گرفت. این مطالعه از XGBoost یک الگوریتم تقویت گرادیان فوق العاده براساس درختان تصمیم استفاده کرد. XGBoots از ماشین­های تقویت گرادیان است که بهینه سازی افزایشی را در فضای عملکردی انجام می­دهند.
2	هایمن و همکاران2 ]13[	قرار گرفتن طولانی مدت در معرض آلودگی هوا و کووید-19: یک مطالعه کوهورت در منچستر، بریتانیا	2023	افراد مسن‌تر، چاق­تر، سیگاری‌های فعلی یا بیماری‌های زمینه‌ای مرتبط با همه آلاینده‌های هوا و بستری شدن در بیمارستان در مقایسه با گروه‌های مربوطه ارتباط بیشتری نشان دادند. قرار گرفتن طولانی‌مدت در معرض آلودگی هوا با کووید-19 شدید منجر به بستری شدن در بیمارستان یا مرگ می­شود.	ارتباط قرار گرفتن طولانی‌مدت در معرض آلودگی هوا با بستری شدن در بیمارستان برای کووید-19 و مرگ و میر با مدل­های رگرسیون لجستیک چند متغیره پس از تعدیل عوامل مخدوش‌کننده فردی، زمانی و مکانی بالقوه اندازه گیری شد.
3	جرت و همکاران3 ]14[.	آلودگی هوا و هواشناسی به عنوان عوامل خطر مرگ کووید-19: یک مطالعه کوهورت در کالیفرنیای جنوبی	2022	رطوبت و دما برای تشخیص پیش‌بینی‌کننده‌های منفی مرگ‌ومیر کووید-۱۹ و تعدیل‌کننده‌های منفی اثرات آلودگی هوا چشمگیر بودند.  قرار گرفتن در معرض آلودگی هوا و هواشناسی با خطر مرگ کووید-19 در گروهی از بیماران جنوب کالیفرنیا مرتبط بود که یافته­ها پیامدهایی برای پیشگیری از مرگ ناشی از کووید-19 و همه­گیری­های آینده دارد.	از مدل‌های حمل‌و‌نقل شیمیایی با فاصله یک کیلومتر برای تخمین غلظت‌های محیطی چندین آلاینده معمولی هوا، از جمله اوزن، دی‌اکسید‌نیتروژن و ذرات ریز  استفاده شد. همچنین تخمین‌هایی از قرار گرفتن در معرض آلاینده‌ها از ذرات بسیار ریز، گونه‌های شیمیایی و منابع PM  به دست آمد.
4	یانگ و همکاران4 ]15[	پیامدهای کووید-19 بر آلودگی جهانی محیط‌زیست و انتشار کربن با استراتژی‌هایی برای پایداری در دوران کووید-19	2022	کاهش سطوح PM2.5، PM10، NO2  و CO در بیشتر مناطق جهان، افزایش و یا عدم تغییر سطوح SO2  و O3 در بیشتر مناطق جهان، بهبود کیفیت آب­های سطحی و زیرزمینی در طول دوره قرنطینه	جستجوی مقالات مرتبط با اثرات زیست‌محیطی کووید-19 و انتخاب 118 مقاله و ارائه استراتژی­های پایداری در عصر کووید-19 بر اساس مقالاتی که آلودگی محیط زیست جهانی و انتشار کربن را پوشش می­دادند
5	آدای و همکاران5 ]16[	تاثیر کووید-19 بر بیماری­های مرتبط با آلودگی هوا در هند	2022	قرنطینه به دلیل کووید-19 منجر به کاهش سطوح آلاینده از جمله CO2 و NO2 همراه با سطوح PM2.5 شده است.	اين پژوهش به تحليل، جمع‌بنـدي و انعكاس نتايج يافته­هاي مرتبط پرداخته است.
6	وین و همکاران6 ]17[	رابطه نامتقارن بین آلودگی هوا و کووید-19: شواهدی از یک مدل تاخیر توزیع شده اتورگرسیو پانل غیرخطی	2022	آلودگی هوا علت اصلی شیوع بیماری کووید-19 است. رابطه‌ای نامتقارن بین موارد PM2.5 و کووید-19 وجود دارد، به طور دقیق تر، تغییر 1% در شوک­های مثبت PM2.5، موارد کووید-19 را 0.439 % افزایش می­دهد.	مدل تاخیر توزیع شده اتورگرسیو غیرخطی است.

 

 

 

---

[1]  Wijnands et al

[2]  Hyman et al

[3]   Jerrett et al

[4]  Yang et al

[5]  Uday et al

[6]  Wen et al

 

 

 

                

 

 

 

 

 

 

 

 

                

 

 

 

 

 

 

 

 

شکل (1) : ساختار روش تحقیق

جدول (2) : شاخص کیفیت هوا مبتنی بر استاندارد سازمان حفاظت محیط زیست

ردیف	شاخص کیفیت هوا	شماره دسته	سطح اهمیت بهداشتی
1	50-0	1	پاک
2	100-51	2	سالم
3	150-101	3	ناسالم برای گروه­های حساس
4	200-151	4	ناسالم
5	300-201	5	بسیار ناسالم
6	500-301	6	خطرناک

 

3-3. انتخاب ویژگی با الگوریتم بهینه سازی ازدحام ذرات

الگوريتم بهينه‌سازي ازدحام ذرات يك روش بهينه­سازي براساس قوانين احتمال است كه به علت توانایی بالا در حل نمودن مسايل پيچيده و توابع عددي متنوع مورد توجه واقع شده است. اين الگوريتم با الهام گرفتن از الگوریتم­های تكاملي، از رفتار اجتماعي جانداران، ازجمله پرندگان و ماهيان تاثیر می­گیرد. رفتار نمونه­های تشكيل دهنده يك گروه،  براساس قوانين مانند هماهنگي برای سرعت با نزديكترين همسايه و همچنين شتاب براساس فاصله است] 18[. مزیت مهم و اصلیPSO ، ساده بودن پیاده‌سازی الگوریتم بوده و تعیین پارامتر‌های اولیه کمی دارد. PSO می­تواند توابع هزینه‌ پیچیده را با تعداد زیاد مینیمم محلی بهینه نماید. از این رو، برای انتخاب ویژگی از این الگوریتم تکاملی استفاده شده است. عملیات دقیق بهینه‌سازی ازدحام ذرات در ادامه تعریف می­شود. 

برای بدست آوردن جمعیت اولیه از ذرات، يك آرایه از متغيرهاي مسئله با نام ذره ایجاد می­شود. در PSO هر ذره، یک پرنده در فضای جستجو است که می­تواند آزادانه در فضای جستجو حرکت و پرواز کند. برای هر ذره دو مقدار موقعیت و سرعت، تعریف می­شود که بردار مکان و بردار سرعت را مدل می­کنند. این دو بردار به صورت زیر تعریف می­شوند:

که در آن particle_position بردار مکان ذره iام ، particle_velocity بردار سرعت ذره iام ، n تعداد مربع ویژگی­ها است. جمعیت اولیه براساس موقعیت و سرعت تمامی ذرات بصورت تصادفی در بازه ]0،1 [ تولید می‌شود. 

بعد از توليد نمودن جمعيت اوليه ذرات و سرعت اوليه براي هر ذره، عملکرد هر ذره  مبتنی بر موقعيت آن با مقدار تابع برازندگی محاسبه مي­شود. سرعت ذره با توجه به بهترين پاسخ هر دسته ذرات با توجه به بهترين مكاني كه تاكنون داشته است¹، تغيير مي­کند. با تغيير زمان برحسب سرعت، موقعيت ذرات تغییر می­کند. بردار سرعت هر ذره، با دو مقدار بهینه، بروز‌رسانی می­شود. (pbest²) بهترین موقعیت ذره که تا کنون به آن رسیده است و (gbest³) بهترین موقعیت ذره که تاکنون به دست آمده است. در هر تکرار الگوریتم، سرعت ذرات به صورت زیر بهینه می­شود:

(2)
(3)

که در آن  و ، موقعیت و سرعت ذره iام ،  و  ، بهترین مقدار تابع هدف از موقعیت ذره iام و موقعیت کل جمعیت است.  و  دو متغیر تصادفی در بازه ]0،1 [ هستند. افزودن متغیرهای تصادفی به PSO، توانایی جستجوی تصادفی آن را باارزش‌تر و بهینه‌تر می­کند. ضرایب  و  فاکتور یادگیری هستند و به‌ترتیب ميزان تابعیت ذره از بهترين تجربه فردی(pbest) و ميزان تابعیت ذره از بهترين تجربه در گروه (gbest) را نشان مي­دهند. این پارامترها برای سازگار کردن مبادله بین عملیات بهره­برداری⁴ و اکتشاف⁵ می­باشند. W، پارامتر کنترلی پرواز نمودن ذرات است. بیشتر شدن پارامتر، گسترش دادن بيشتر فضا بدون توجه به  pbestو gbest است و كمتر شدن پارامتر، باعث جمع نمودن و حركت در محدوده موقعيت فعلي ذره است. مقدار اين ضريب كمتر از یک است. بعد از بروز‌رسانی، سرعت جدید ذره مشخص شده و تضمین می­شود که حرکت‌های تصادفی ذرات در یک محدوده تعیین شده کاهش می­یابد. با دستیابی به سرعت جديد هر ذره، موقعيت جديد آن (pbest) نیز بدست می­آید. علاوه بر اين، اگر بهترين برای اين مرحله، از بهترين پاسخ موجود بهتر باشد، آنگاه موقعيت جدید، بهترين پاسخ (gbest) مي­شود. مراحل بروزرسانی سرعت، موقعیت و حافظه تا خاتمه حلقه تکرار می­گردد. شرط خاتمه حلقه می­تواند انجام تعداد تکرارهای تعیین شده و یا رسیدن به حداکثر تعداد نسل­ها باشد. بعد از خاتمه تکرار و بروز رسانی مراحل فوق،   به عنوان بهترین پاسخ اعلام می­گردد. 

3-4. روش درخت تصمیم گیری

درخت تصمیم یک نظریه یادگیری ماشین مبتنی بر آمار است. ایده کلی الگوریتم C4.5 شامل ابتدا پیش‌بینی غلظت آلاینده­ها بر اساس مجموعه‌ای از مقادیر مشخصه (شامل داده­های هواشناسی و ترافیک) و آموزش یک مدل درخت تصمیم قابل اعتماد است. سپس می­توان از مدل درخت تصمیم برای پیش‌بینی غلظت آلاینده­ها در یک سری شرایط هواشناسی استفاده کرد و مقدار میانگین مربوطه را سری زمانی نرمال شده هواشناسی می­نامند. در الگوریتم، غلظت یک آلاینده خاص در یک نقطه زمانی خاص را می­توان با نمونه‌گیری مجدد داده­های هواشناسی پیش‌بینی کرد. درخت C4.5 ارتقاء یافته درخت  ID3است که توسط کوئینلن (1993) معرفی شده است.

خصوصیات این درخت به صورت زیر است:

1-  در یک مجموعه داده، ویژگی­ها (متغیرهاي پیشگو) براي درخت C4.5 می­توانند به صورت متغیرهاي رسته‌ای و کمی باشند.

2- از هر گره درونی این درخت دو یا بیش از دو شاخه خارج می­شود.

3- براي هرس کردن درخت  C4.5از روش هرس کردن مبتنی بر خطا استفاده می­شود.

4- این درخت توانایی انجام رده‌بندي با داده گمشده در یک مجموعه داده را دارد.

5- درخت C4.5 براي انتخاب ریشه و گره­هاي درونی از معیار نسبت بهره استفاده می­کند.

فرض کنید S یک مجموعه داده با n مشاهده (نمونه) است. معیار نسبت بهره⁶ ویژگی  نسبت به این مجموعه داده به صورت رابطه زیر است :

(4)

که در آن IG، معیار بهره اطلاعات⁷ و E، آنتروپی⁸ می­باشد.

 

4-                       ارزیابی روش تحقیق

این بخش شامل 5 زیربخش می­باشد که عبارتند از: 1- معرفی مجموعه داده­ها برای ارزیابی روش تحقیق، 2-معرفی الگوریتم­ها برای مقایسه، 3- معرفی معیارها برای ارزیابی عملکرد مدل­ تحقیق، 4- انجام آزمایش‌ها بر روی مجموعه داده‌های تهیه شده، 5-بحث در مورد روش تحقیق.  

4-1. توصیف مجموعه داده­ها

در این تحقیق، داده­های مرتبط به آلاینده­های هوا شامل 10 ایستگاه ثبت کننده غلظت آلاینده‌ها از 01/11/1396 تا 29/12/1400 از سازمان حفاظت محیط زیست کشور، داده­های مرتبط با حمل و نقل و محدودیت‌های ترافیکی از 01/11/1398 تا 29/12/1400 از ستاد ملی کرونا و داده­های مرتبط با مرگ و میر ناشی از همه گیری نیز از 01/11/1398 تا 29/12/1400 از وزارت بهداشت، درمان و آموزش پزشکی جمع آوری شد.

مجموعه داده جمع­آوری شده شامل 12 ویژگی می­باشد که عبارتند از: CO، O3،NO، NO2، SO2، PM2.5، PM10، AQI،  اعمال محدودیت، نام شهر ، میزان مرگ و میر و کلاس شاخص آلودگی هوا.

داده­های ویژگی اعمال محدودیت با توجه به تکامل محدودیت‌های دوره همه‌گیری، به شش دوره تقسیم می­شود که عبارتند از تعطیلی همه مشاغل از ساعت 18:00 به غیر از مشاغل گروه یک، محدودیت تردد شبانه، تمدید خودکار اجاره‌نامه مستاجران، لغو طرح ترافیک تهران، محدودیت تردد بین استانی و حضور یک سوم کارکنان در محل کار

 

2-4. الگوریتم­های مورد ارزیابی

·       جنگل تصادفی⁹: الگوریتم جنگل تصادفی از چندین درخت تشکیل می‌شود که هر درخت به نام درخت تصمیم شناخته می­شود. جنگل ایجاد شده با الگوریتم جنگل تصادفی با روش دسته­‌بندی کیسه­ای¹⁰ آموزش داده می‌­شود. این الگوریتم، مدلی توسعه‌یافته از روش کیسه  می­باشد زیرا از هر دو روش کیسه و ویژگی‌های تصادفی به منظور تولید کردن یک جنگل بدون داشتن همبستگی بین درختان تصمیم بکار گرفته می‌شود.

·       ماشین بردار پشتیبان¹¹:  یک روش یادگیری با نظارت می­باشد که برای طبقه‌بندی و خوشه‌بندی استفاده می­شود. دسته بندی‌کنندهSVM ، خطی است، یعنی برای تقسیم خطی داده‌ها، خطی را انتخاب می‌نماییم که حاشیه اطمینان بیشتری دارد. در صورتیکه داده‌ها دارای پیچیدگی بالایی باشند، آنها را را به فضایی با ابعاد بالاتر انتقال می­دهیم تا بتوان تقسیم خطی را براساس ماشین بردار پشتیبان انجام داد.

·       شبکه بیزین: این شبکه­ها مجموعه­ای از گره­ها و پیوندهای علت و معلولی هستند که ارتباطات بین آن­ها به صورت گرافیکی در یک سیستم مورد بررسی قرار می­گیرد. پیوندهای علت و معلولی، ارتباطات بین گره­های استفاده شده در جداول احتمالات شرطی را نشان می­دهند. در حقیقت شبکه­های بیزین مدل­های ریاضی هستند که به صورت گرافیکی ارائه شده‌اند، به طوری که هر متغیر به عنوان یک گره با پیوندهای هدایت کننده، با دیگر متغیرها در ارتباط است. 

·       شبکه عصبی پرسپترون چند لایه¹²: یک شبکه عصبی مصنوعی عمیق می­باشد که از بیش از یک پرسپترون تشکیل شده است. این شبکه از یک لایه ورودی برای دریافت سیگنال و یک لایه خروجی که برای تصمیم گیری در مورد ورودی و تعدادی دلخواه از لایه­های پنهان در بین این دو لایه که تاثیرمحاسباتی واقعی MLP هستند، تشکیل شده است. 

3-4. معیارهای ارزیابی

برای اعتبارسنجی عملکرد روش تحقیق، از معیارهایی استفاده می­گردد که برای محاسبه دقت در مسائل دسته‌بندی بکار می­روند. در ابتدا متغیرهای مورد استفاده در معیارها به صورت زیر تعریف می­شود.

·       مثبت درست¹³: داده­هاي کلاس مثبت که به درستي به عنوان کلاس مثبت شناسايي شده­اند.

·       منفی درست¹⁴ : داده­هاي کلاس منفي که به درستي به عنوان کلاس منفي شناسايي شده­اند.

·       منفی غلط¹⁵ : داده­هاي کلاس مثبت که به غلط به عنوان کلاس منفي شناسايي شده­اند.

·       مثبت غلط¹⁶ : داده­هاي کلاس منفي که به غلط به عنوان کلاس مثبت شناسايي شده­اند.

·       صحت¹⁷ : نسبت ميزان نمونه­هاي مثبت پیش بینی شده به درستي تشخيص داده شده.

(5)

·       F-Measure : معیاری است که "خوب بودن یک دسته‌بندی کننده" را نشان می­دهد و میانگین هارمونیک بین صحت و فراخوانی است. مقدار   مثبت بوده و نشان‌دهنده اهمیت فراخوانی نسبت به صحت می­باشد.

(5)

·       خطای مطلق میانگین¹⁸: ارائه انعکاس میزان خطای پیش‌بینی شده. هرچه مقدار آن کمتر باشد، کارایی پیش‌بینی بیشتر می­شود :

(6)

که  و  ، به­ترتیب برچسب کلاس واقعی و برچسب کلاس پیش‌بینی شده برای نمونه i  می­باشند. M تعداد نمونه­های پیش‌بینی شده می­باشد.

4-4.       ارزیابی نتایج

در این بخش، نتایج آزمایش­های بخش­های مختلف الگوریتم تحقیق و نتیجه نهایی ارائه می­شود. آزمایشات بر روی مجموعه داده تهیه شده برای آلودگی هوا به تفکیک ایستگاه­های مختلف شهر تهران می­باشد. برای ارزیابی نتایج از نرم افزار WEKA  و MATLAB  استفاده شد.

 

4-4-1. پاک سازی و پالایش داده­ها

به منظور پاک­سازی داده‌ها، مراحل زیر صورت می­گیرد.

1-       حذف داده­های تکراری: از آنجا که مجموعه داده­ها از ایستگاه­های مختلف جمع‌آوری و ادغام شده­اند، امکان ایجاد داده­های تکراری یا غیرمرتبط وجود دارد. داده­ها از ایستگاه­ها به تفکیک تاریخ جمع‌آوری شده‌اند. حذف داده­های تکراری در نرم افزار SPSS  با استفاده از Identify Duplicate Cases انجام می­شود تا داده­ها و رکوردهای تکراری حذف شوند.

2-       خطاهای ساختاری: هنگام ادغام داده­های ایستگاه­های مختلف ممکن است که خطاها و یا تغییراتی در داده­ها ایجاد گردد. به طور نمونه بعضی از نمونه­ها را null نشان دهد که با بررسی ساختاری آنها به فرمت اصلی و مقادیر واقعی اصلاح می­شوند. 

3-       حذف داده­های پرت: به این منظور از آزمون Z در SPSS برای محاسبه نمرات استاندارد استفاده می­شود. نمرات استاندارد همه متغیرها محاسبه شده و در صورت دور افتاده بودن داده از سایر مجموعه داده­ها، آن نمونه داده را حذف می­کنیم.

4-       برای مدیریت داده­ها و حذف داده­های غیرمرتبط، از روش جایگزینی با میانگین آن متغیر در هر ایستگاه در آن تاریخ استفاده می­شود.

4-4-2. تحلیل آماری شاخص کیفیت هوا

در این بخش وضعیت سطوح آلاینده­های هوا در زمان شیوع کووید-19 متاثر از محدودیت­های تردد ترافیکی شهر تهران مورد بررسی قرار می­گیرد. برای مدل­سازی و تجزیه و تحلیل تغییرات سطوح آلاینده هوا، داده­ها از تاریخ 1/11/1396 تا 29/12/1400 جمع­آوری شدند. بازه زمانی داده­ها در زمان کووید-19، از تاریخ 1/11/1398 تا 29/12/1400 می­باشد. خلاصه­ای از آمار توصیفی برای مجموعه داده­های مورد مطالعه در جدول 3 به تفکیک دوره قبل از کووید-19 و دوره کووید-19 برای تمامی ایستگاه­های تحت نظارت شهر تهران نشان داده می­شود. همانگونه که مشخص است میانگین غلظت آلاینده­های CO و PM10 در دوره کووید-19 نسبت به دوره قبل از آن تغییری نداشته، میانگین غلظت آلاینده­های O3، NO2، PM2.5 و AQI افزایشی و میانگین غلظت آلاینده­های NO و SO2  کاهشی است. 

شکل 2 غلظت آلاینده­های هوا را به تفکیک 10 ایستگاه تحت نظارت شهر تهران نشان می­دهد. در راهنمای شکل 2 برای تفکیک آلاینده­ها برای قبل از دوران کووید-19 و دوران کووید-19، به ترتیب از اعداد 1 و 2 در کنار نام هر آلاینده استفاده شده است. همان‌طور که از شکل 2 مشخص است، تغییر غلظت آلاینده‌ها در دوره کووید-19 نسبت به دوره قبل از آن در ایستگاه‌های مختلف، متفاوت بوده و علی رغم قرارگیری ایستگاه­ها در یک شهر، روند تغییر غلظت آلاینده‌ها کاملاً متفاوت می­باشد. کمترین و بیشترین مقدار ثبت شده برای میانگین غلظت آلاینده­ها در دوره قبل از کووید-19 و دوره کووید-19 نیز در جدول 4 نشان داده شده است.

4-4-3.                      انتخاب ویژگی با PSO 

 

---

[1]  Best Particle Position

[2]  Personal Best

[3]  Global Best

[4]  Exploitation

[5]   Eexploration

[6]  Gain Ratio(GR)

[7]  Information Gain (IG)

[8]  Entropy (E)

[9]  Random Forest  (RF)

[10]  Bagging Classifier

[11]  Support Vector Machines (SVMs)

[12] MultiLayer Perceptron Neural Network (MLP)  

[13]  True Positives (TP)

[14]  True Negatives (TN)

[15]  False Negatives (FN)

[16]  Flase Positives (FP)

[17]  Precision

[18]  Mean Absolute Error (MAE)

با استفاده از انتخاب ویژگی، تعداد ویژگی­های مهم تر در تحلیل داده‌کاوی انتخاب می­شوند. از بین 12 ویژگی موجود، 9 ویژگی: کلاس شاخص هوا، CO، O3،NO، NO2، SO2، PM2.5، PM10  و AQI برای انتخاب ویژگی با PSOSearch انتخاب می­شوند. با اعمال الگوریتم PSOSearch، تعداد ویژگی­ها از 9 به 7 کاهش یافت. ویژگی­های انتخاب شده عبارتند از : کلاس شاخص هوا، CO، O3، NO2،  PM2.5، PM10  و AQI. 

جدول (3): خلاصه­ای از آمار توصیفی مجموعه داده­ها

(7)

	بازه زمانی کووید-19					بازه زمانی قبل از کووید-19
	حداقل	حداکثر	میانه	مد	میانگین	حداقل	حداکثر	میانه	مد	میانگین
CO	0.15	7.6	2.2	2.17	2.3	0.34	11.32	2.19	2.08	2.3
O3	1.46	86.33	22.12	22.12	22.67	2.83	98.72	22.12	22.12	21.08
NO	1.09	360.23	26.66	10.58	36.92	1.43	342.92	31.02	10.85	40.88
NO2	1.88	155.91	37.52	10.32	39.71	2.85	166.44	42.01	10.32	39.18
SO2	1.2	92.3	13.28	17.5	13.67	1.08	40.65	14.89	17.50	14.57
PM10	8.43	411.69	65.3	65.3	64.7	10	217.37	65.30	65.30	64.76
PM2.5	2.05	207.11	26.71	29.22	30.02	1.94	307.15	27.24	29.78	28.27
AQI	13.93	411.69	65.3	65.3	66.76	17.14	342.92	65.30	65.30	65.6

جدول (4): کمترین و بیشترین میانگین غلظت آلاینده­ها در ایستگاه­ها

	بازه زمانی کووید-19		بازه زمانی قبل از کووید-19
	حداقل	حداکثر	حداقل	حداکثر
CO	ژئوفیزیک	پارک رازی	دانشگاه شهید بهشتی	امام خمینی
O3	دانشگاه شهید بهشتی	دانشگاه علم و صنعت	آتی ساز	پارک رازی
NO	آتی ساز	پارک رازی	دانشگاه شهید بهشتی	پارک شکوفه
NO2	دانشگاه تهران	پارک رازی	دانشگاه علم و صنعت	پارک شکوفه
SO2	دانشگاه شهید بهشتی	پارک شکوفه	دانشگاه علم و صنعت	پارک شکوفه
PM10	آتی ساز	دانشگاه شهید بهشتی	امام خمینی	دانشگاه علم و صنعت
PM2.5	دانشگاه شهید بهشتی	سلامت	دانشگاه شهید بهشتی	سلامت
AQI	آتی ساز	پارک رازی	آتی ساز	پارک شکوفه

 

شکل (2): مقایسه غلظت آلاینده­های هوا

 

4-4-4.                      روش درخت تصمیم‌گیری

روش­های یادگیری ماشین تحت چارچوب اعتبارسنجی متقابل داده­ها ارزیابی می­شوند تا بهترین مدل برای پیش بینی کیفیت هوا انتخاب شود. ابتدا داده­ها با مدل درخت تصمیم C4.5 ارزیابی می­شوند. داده­ها به شش خوشه تقسیم می­گردند که عبارتند از پاک، قابل قبول، ناسالم برای گروه‌های حساس، ناسالم، بسیار ناسالم و خطرناک. برای ویژگی­های تحقیق، ویژگی­های 1 تا 9 به عنوان متغیرهای پیشگو هستند و ویژگی 10 به عنوان متغیر هدف می­باشد. با توجه به گام ششم مدل ارائه شده در شکل 1، داده­ها در درخت تصمیم C4.5، براساس روش اعتبارسنجی و تعداد k-fold های مختلف مورد بررسی قرار گرفتند. در روش اعتبارسنجی به ازای اکثریت kها مقدار دسته‌بندی داده‌ها یکسان بدست آمد.

پس از ایجاد مدل تحقیق و درخت تصمیم، به ارزیابی نتایج پرداخته می‌شود. به این منظور از معیارهای ارزیابی معرفی شده در بخش 4-3 استفاده می­شود. نتایج معیارها در جدول 5 و جدول 6 نشان داده می­شود. نتایج جدول 5 حاکی از آن است که 7893 نمونه از 7900 نمونه به درستی تشخیص داده شده­اند و این مدل پیش‌بینی دقت بسیار خوبی را ارائه می‌دهد. در جدول 6، نتایج به تفکیک کلاس­ها می­باشد و حاکی از آن است که مدل تحقیق از دقت بالای دسته بندی برخوردار است.

جدول (5): پیش بینی مقادیر معیارهای مدل درخت تصمیم C4.5

ردیف	عنوان معیار	مقدار معیار
1	تعداد نمونه­های درست تشخیص داده شده	7893 (99.911%)
2	تعداد نمونه­های غلط تشخیص داده شده	7 (0.0671%)
3	میانگین قدرمطلق خطا1	0.0175
4	خطای جذر میانگین مربع2	0.3219
5	خطای جذر نسبی3	0.3219 %
6	خطای جذر مربع نسبی4	7.6441 %
7	تعداد کل نمونه­ها	7900

 

4-4-5.                      مقایسه با سایر روش­ها

نتایج حاصل از دقت، صحت و F-Measure برای روش­های جنگل تصادفی، ماشین بردار پشتیبان، شبکه بیزین و شبکه عصبی پرسپترون در جدول 7 نشان داده شده است و نتایج آن با روش درخت تصمیم مقایسه شده است تا بهترین پیکربندی مدل برای پیش‌بینی داده­های آلاینده­های هوا بدست آید. نتایج نشان می­دهد که روش جنگل تصادفی و درخت تصمیم بهتر از سایر روش­ها عمل می­کند. همه آلاینده‌های هوا در روش درخت تصمیم و جنگل تصادفی، مقایر نزدیک به 1 را نشان می‌دهند.

معمولا مجموع قوانین استخراج شده از درخت تصمیم، مهم‌ترین اطلاعاتی است که از آنها به دست می­آید که به صورت ترکیب تعدادی استلزام منطقی (قانون اگر-آنگاه) است. از این رو برخی قوانین درخت تصمیم و جنگل تصادفی ساخته می­شود. قوانین ساخته شده به شرح زیر است:

جدول (6) : معیارهای مورد ارزیابی درخت تصمیم C4.5  به تفکیک کلاس شاخص هوا

کلاس	پیش‌بینی مثبت (TP)	پیش‌بینی منفی (FP)	معیار صحت Precision	معیار بازخوانی Recall	معیار فیشر  F-Measure
1	0.999	0.000	1.000	0.999	1.000
2	1.000	0.001	1.000	1.000	1.000
3	0.905	0.000	0.95	0.905	0.927
4	0.999	0.000	0.5	1.000	0.667
5	1.000	0.000	0.5	1.000	0.667
6	0.000	0.000	--	0.000	--

 

·       در ایستگاه­های امام خمینی، آتی ساز، پارک رازی، پارک شکوفه، چشمه و دانشگاه تهران، اگر   PM10 >= 150.815و NO2<100.4 باشد، آنگاه هوای تهران "ناسالم" است.

·       در ایستگاه­های امام خمینی، آتی ساز، پارک رازی، پارک شکوفه، چشمه، دانشگاه تهران و دانشگاه شهید بهشتی، اگر 33.62<=NO2<48.09 و   PM2.5>26.26 و 2.2<CO<=2.54 باشد، آنگاه هوای تهران "سالم" است.

جدول (7): مقایسه نتایج مورد ارزیابی

کلاس	نرخ پیش‌بینی مثبت (TP)	نرخ پیش‌بینی منفی (FP)	معیار صحت Precision	معیاربازخوانی Recall	معیار فیشر  F-Measure
درخت تصمیم	0.999	0.001	0.999	0.999	0.999
جنگل تصادفی	0.999	0.001	0.999	0.999	0.999
ماشین بردار پشتیبان	0.877	0.535	0.877	0.877	0.877
شبکه بیزین	0.938	0.089	0.938	0.938	0.938
شبکه عصبی پرسپترون	0.953	0.196	0.953	0.953	0.953

 

·       در ایستگاه­های دانشگاه شهید بهشتی، ژئوفیزیک، سلامت و علم و صنعت، اگر  PM10 >= 150.815و  NO2<100.4 باشد، آنگاه هوای تهران "بسیار ناسالم" است.

·       در ایستگاه­های ژئوفیزیک، سلامت و علم و صنعت، اگر   PM2.5 > 26.26و   2.2<=CO<=2.54 و AQI<=51.7 باشد، آنگاه هوای تهران "پاک" است.

·       در ایستگاه­های سلامت و علم و صنعت اگر 2.2<CO<=2.54  و   26.06<=PM2.5 <=88.07 و AQI>50.87 و اعمال محدودیت­ها شامل " تمامی محدودیت­ها بجز تعطیلی همه مشاغل از ساعت 18:00 به غیر از مشاغل گروه حساس " صورت گیرد، آنگاه هوای تهران "سالم" است.

·       اگر  NO2>33.21 و PM10<50.955  و    26.06<=PM2.5 > 88.07 و 11.03< O3<=14.5  و CO>=2.2  و اعمال محدودیت­ها " محدودیت تردد شبانه- لغو طرح ترافیک تهران- تمدید خودکار اجاره‌نامه مستاجران " صورت گیرد، آنگاه هوای تهران " سالم" است.

·       در ایستگاه سلامت، اگر 2.54<CO<=2.74  و   PM2.5 >26.54 و AQI<=49.73  و  O3<=47.58 و اعمال محدودیت­ها شامل " تمامی محدودیت­ها بجز  لغو طرح ترافیک تهران- تمدید خودکار اجاره‌نامه مستاجران" صورت گیرد، آنگاه هوای تهران "پاک" است.

·       در تمامی ایستگاه­ها بجز ایستگاه­های سلامت و علم و صنعت، اگر 2.54<CO<=2.74  و   PM2.5 >26.54 و AQI>100.33  و  O3<=47.58 و اعمال محدودیت­ها شامل " تمامی محدودیت­ها بجز  لغو طرح ترافیک تهران- تمدید خودکار اجاره‌نامه مستاجران" صورت گیرد، آنگاه هوای تهران "ناسالم برای گروه­های حساس" است.

·       در تمامی ایستگاه­ها بجز ایستگاه­های سلامت و علم و صنعت، اگر  PM10>56.06 و NO2<=35.88  و  26.65<=PM2.5 <233.95 و اعمال محدودیت­ها شامل " تمامی محدودیت­ها بجز محدودیت تردد بین استانی- حضور یک‌سوم کارکنان" صورت گیرد، آنگاه هوا "سالم" است.

·       در ایستگاه­های امام خمینی و آتی ساز، اگر  PM10>149.04 و AQI<=100.98  و  اعمال محدودیت­ها شامل " تمامی محدودیت­ها بجز تعطیلی همه مشاغل از ساعت 18:00 به غیر از مشاغل گروه حساس" صورت گیرد، آنگاه هوا "ناسالم" است.

·       در تمامی ایستگاه­ها بجز امام خمینی و آتی ساز، اگر   NO2>47.11 و 50.94<AQI<=70.17  و  اعمال محدودیت­ها شامل " تمامی محدودیت‌ها بجز تعطیلی همه مشاغل از ساعت 18:00 به غیر از مشاغل گروه حساس" صورت گیرد، آنگاه هوا "سالم" است.

·       در ایستگاه­های پارک رازی، پارک شکوفه، چشمه و دانشگاه تهران، اگر   PM10<56.84 و   PM2.5 < 26.25 و AQI<=51.02 باشد، آنگاه هوا "پاک" است.

·       در ایستگاه­های سلامت و علم و صنعت، اگ PM2.5 > 100.18و AQI>55.29 باشد، آنگاه هوا "ناسالم برای گروه­های حساس" است.

·       در ایستگاه­های امام خمینی، آتی ساز، پارک رازی و پارک شکوفه، اگر   PM10<=65.19 و   NO2<= 39.39و  O3<=47.58و PM2.5 > 26.51 و 2.2<CO<=2.74  باشد، آنگاه هوا "پاک " است.

4-4-6. روند میزان مرگ‌و‌میر در زمان کووید-19

به منظور بررسی روند میزان غلظت آلاینده­ها با میزان مرگ‌و‌میر در زمان کووید-19 ، بررسی این تغییرات از تاریخ 01/11/1398 تا 29/12/1400 انجام شد. شکل 3، روند تغییرات هر یک از آلاینده­ها را با تغییر تعداد مرگ‌و‌میر در بازه زمانی کووید-19 به تفکیک ماه نشان می­دهد. پیک میزان مرگ‌و‌میر در چهار تاریخ : مهر 1399، آبان 1399، اردیبهشت 1400، مرداد 1400 می­باشد. میزان CO، در مهر و آبان 1399 و مرداد 1400، تغییر محسوسی نسبت به روند تغییرات آن نداشته است اما در اردیبهشت 1400 روند افزایشی داشته است. میزان O3، در مهر 1399، تغییر محسوسی نسبت به روند تغییرات آن نداشته است اما در آبان 1399 روند کاهشی و در اردیبهشت 1400و مرداد 1400، روند افزایشی داشته است. میزان NO ، در مهر و آبان1399، نسبت به میانگین کلی مقادیر NO و NO2، روند افزایشی داشته است اما در تاریخ­های اردیبهشت و مرداد 1400، روند کاهشی داشته است. میزان PM10 ، در مهر و آبان 1399 و مرداد 1400، نسبت به میانگین کلی مقادیر PM10 ، تغییر محسوسی نسبت به روند تغییرات آن نداشته است اما در اردیبهشت 1400 روند کاهشی داشته است. میزان PM2.5، در مهر و آبان 1399، نسبت به میانگین کلی مقادیر PM2.5، تغییر محسوسی نسبت به روند تغییرات آن نداشته است اما در تاریخ­های اردیبهشت و مرداد 1400 روند کاهشی داشته است. میزان AQI ، در مهر و آبان 1399، نسبت به میانگین کلی مقادیر AQI ، روند افزایشی داشته است، اما در تاریخ­های اردیبهشت و مرداد 1400، روند کاهشی داشته است.

4-4-7.                      تحلیل نتایج مورد ارزیابی

در سال 2019، یک ویروس کرونای جدید تحت عنوان کووید-19 در ووهان چین شیوع پیدا نمود. این بیماری بر کشورهای همه قاره­ها تأثیر گذاشت و از این رو توسط سازمان بهداشت جهانی⁵ به عنوان یک بیماری همه­گیر اعلام شد. در ایران از بهمن ماه 1398، شیوع این بیماری دیده شد به گونه­ای که شیوع این بیماری نه تنها در ایران بلکه در تمامی کشورهای جهان منجر به مرگ‌و‌میر زیادی تا زمان کنترل شد.

یکی از روش­های مهار این بیماری، قرنطینه بود که انتظار می­رفت تاثیر بسزایی در کاهش مرگ‌و‌میر و همچنین کاهش آلودگی هوا داشته باشد. 

این مطالعه نتیجه تغییرات غلظت آلاینده­های هوا در اثر محدودیت­های ترافیک اعمال شده ناشی از کووید-19 را در ده ایستگاه هواشناسی شهر تهران در طول دوره همه­گیری کووید-19 و همچنین روند تغییر غلظت آلاینده­ها با میزان مرگ‌و‌میر ناشی از همه‌گیری کووید-19 را  نشان داد.

در بررسي ميزان غلظت آلاینده­ها در دوران کووید-19 نسبت به دوران قبل از آن برای ایستگاه­های تحت نظارت شهر تهران مي­توان گفت كه در ایستگاه امام خمینی، آلاینده CO تغییری محسوسی نداشته، آلاینده­های NO، NO2، SO2 و AQI کاهش و آلاینده­های O3، PM2.5  و PM10  افزایش یافته­اند. در ایستگاه آتی‌ساز، آلاینده SO2 تغییری محسوسی نداشته، آلاینده­های CO و NO  روند کاهشی و آلاینده­های O3، NO2، PM10، PM2.5 و AQI افزایش داشته‌اند. در پارک رازی، غلظت آلاینده­ها تغییر محسوسی نشان ندادند. در پارک شکوفه، غلظت آلاینده‌های CO، O3، NO، NO2 و SO2 تغییری محسوسی نداشته، غلظت آلاینده­های PM10 و AQI  کاهش و آلاینده­ PM2.5 افزایش داشته‌‌اند. در ایستگاه چشمه، غلظت آلاینده­ SO2  تغییری محسوسی نداشته، آلاینده­های NO، PM2.5 کاهش و آلاینده­های CO، ،O3 ، NO2 و PM10 و AQI افزایش یافته­اند. در ایستگاه دانشگاه تهران، غلظت آلاینده‌های CO و O3  تغییری محسوسی نداشته، آلاینده­های NO، NO2، SO2، PM10  روند کاهشی و آلاینده­های PM2.5 و AQI روند افزایشی را نشان داده‌اند.   

---

[1]  Mean absolute error

[2]  Root mean squared error

[3]  Relative absolute error

[4]  Root relative squared error

[5]  World Health Organization (WHO)  

شکل (3): بررسی میزان روند آلاینده های هوا با میزان مرگ و میر در زمان کووید-19

 

در ایستگاه دانشگاه شهید بهشتی، آلاینده­های CO، O3، SO2، PM10  کاهش و آلاینده­های NO، NO2، PM2.5 و AQI   افزایش یافته‌اند. در ایستگاه ژئوفیزیک، آلاینده­های NO، NO2، SO2، PM10  و PM2.5 کاهش و آلاینده­های O3  و AQI  افزایش را نشان داده­اند. در ایستگاه سلامت، غلظت آلاینده O3 تغییری محسوسی نداشته، آلاینده­های NO، NO2 و PM10 کاهش و آلاینده­های CO،SO2، PM2.5 و AQI افزایش داشته‌اند. در ایستگاه علم و صنعت، غلظت آلاینده O3 تغییر محسوسی نداشته، آلاینده­های NO2، PM2.5  و AQI افزایش و آلاینده­های CO، NO، SO2 و  PM10 کاهش داشته اند.                                      

با بررسی غلظت آلاینده­ها به تفکیک ایستگاه­های تحت نظارت در شهر تهران می­توان نتیجه گرفت که غلظت آلاینده­ها در دوران کووید-19 نسبت به قبل از آن، در بعضی از ایستگاه­ها افزایشی و در بعضی از ایستگاه­ها کاهشی می­باشد. از آنجا که برای آلاینده­ها، الگوی افزایشی و یا کاهشی یکسانی در تمامی ایستگاه­ها دیده نمی­شود پس می­توان گفت که تاثیر محدودیت­ها بر روی غلظت آلاینده­ها در ایستگاه­های مختلف، متفاوت می‌باشد.

علت این اختلاف می­تواند عواملی نظیر وجود کارخانجات آلوده‌کننده محیط‌زیست در محدوده قرارگیری ایستگاه پایش، اختلاف تراکم جمعیتی در آن محدوده، میزان تردد وسایط نقلیه سبک و سنگین در منطقه ای که ایستگاه در آن قرار دارد، تعداد خانواری که در منطقه قرارگیری ایستگاه سکونت دارند (به دلیل میزان تولید و انتشار گازهای گلخانه ای)، مراکز اداری، تجاری و فروشگاه‌های بزرگ در محدوده ایستگاه، جهت وزش باد در منطقه قرارگیری ایستگاه و سایر موارد مشابه باشد.

بررسی­ها نشان داد که در دوره قبل از کووید-19، منطقه قرارگیری ایستگاه پارک شکوفه، آلوده­ترین منطقه تهران می­باشد به گونه‌ای که میانگین غلظت ثبت شده برای آلاینده­های NO، NO2، SO2 و AQI در این ایستگاه از همه ایستگاه­ها بالاتر می­باشد. اما در دوره کووید-19، روند تغییرات غلظت آلاینده­ها تغییر کرده و بررسی‌ها نشان داد که در این دوره، منطقه قرارگیری ایستگاه پارک رازی با ثبت بالاترین غلظت میانگین برای آلاینده‌های CO، NO2، SO2 و AQI، آلوده‌ترین منطقه تهران می­باشد. نکته مهم دیگر این است که ایستگاه سلامت، در هر دو دوره قبل از کووید-‌19 و دوره کووید-19، بالاترین غلظت آلاینده PM2.5 را ثبت کرده است. این آلاینده یکی از خطرناکترین آلاینده­ها بوده و ترکیبی از جامدات و مایعات مختلف مثل کربن، مواد شیمیایی آلی پیچیده، سولفات‌ها، نیترات‌ها، گرد و غبار معدنی و آب معلق در هوا است. بعضی از ذرات مانند گرد‌و‌غبار، دوده و خاک، به اندازه ای بزرگ هستند که با چشم غیرمسلح هم دیده می­شوند اما خطرناک ترین نوع این ذرات که بسیار کوچکتر هستند، ذرات PM2.5 می­باشد. این ذرات قطری کمتر از 2.5 میکرون داشته و به راحتی وارد جریان خون می­شوند و خطرات بسیار زیادی برای سلامی به همراه دارد.

می­توان گفت که اعمال محدودیت­های ترافیکی در دوره همه گیری، تاثیر قابل توجه و محسوسی در کاهش غلظت آلاینده­های هوای شهر تهران نداشته است به گونه ای که شاخص کیفیت هوا که سازمان حفاظت محیط‌زیست کشور، سطح اهمیت بهداشتی را با آن مورد سنجش قرار می‌دهد، در 70 درصد ایستگاه­های شهر تهران (ایستگاه­های آتی ساز، چشمه، دانشگاه تهران، دانشگاه شهید بهشتی، ژئوفیزیک، سلامت و علم و صنعت) نه تنها کاهش نداشته بلکه افزایش یافته است. البته این موضوع می­تواند دلایل مختلفی داشته باشد که از آن جمله می­توان به تردد با وسیله نقلیه شخصی به جای استفاده از وسایل نقلیه عمومی در اثر ترس و نگرانی از ابتلا به بیماری اشاره کرد. دلیل دیگر آن برداشته شدن برخی از محدودیت‌های ترافیکی و طرح­های ترافیک به دلیل فراهم نمودن امکان استفاده از وسایل نقلیه شخصی توسط افراد در راستای رعایت فاصله‌گذاری اجتماعی می­باشد. یکی از دلایل مهم دیگر که جای تامل داشته و می­تواند در تحقیقات آتی نیز مورد توجه قرار گیرد، تاثیر سایر عوامل ایجاد آلودگی هوا شامل صنایع، کارخانجات، پالایشگاه­ها، نیروگاه­ها، وارونگی دما، مصارف خانگی و موارد مشابه می­باشد. بنابراین اعمال محدودیت­های ترافیکی در دوره همه‌گیری مشابه در شهر تهران، صرفاً می­تواند به فاصله‌گذاری اجتماعی جهت کنترل انتقال بیماری کمک کند و بهبود قابل توجهی در غلظت آلاینده­ها صورت نمی­پذیرد.

کووید-19 نه تنها با افزایش میزان مرگ‌و‌میر، خانواده­ها و دولت­ها را تحت فشار قرار داد، بلکه اعمال محدودیت­ها به همراه قرنطینه، فشارهای اقتصادی قابل توجهی را به خانواده­­ها تحمیل نمود و همچنین منجر به بیکاری برخی افراد، رکود تولیدات صنعتی و تعلیق تولیدات برای دولت­ها شد. اکنون که این گونه فشارهای ناشی از کووید-19 خاتمه یافته است انتظار می­رود که با استفاده از تجارب بدست آمده در زمان کووید-19 در زمینه اعمال محدودیت­ها و مدیریت تجربه­های بدست آمده، قوانینی برای تردد وسایل نقلیه و ترافیک وضع گردد که منجر به کاهش آلودگی هوا و کاهش غلظت آلاینده­های متاثر از حمل و نقل و ترافیک شود.

با بررسی میزان روند مرگ‌و‌میر در زمان کووید-19 و مقایسه آن با روند تغییر غلظت­ها در شهر تهران مشخص گردید که ارتباط معناداری بین آنها وجود نداشته و حتی در برخی از ماه­هایی که اوج مرگ‌و‌میر ناشی از همه گیری کووید-19 می­باشد، غلظت آلاینده­ها کاهش یافته است و برعکس. به عنوان نمونه می­توان گفت که با کاهش غلظت آلاینده PM10، میزان مرگ‌و‌میر افزایش یافته است. در این تحقیق، داده­ها، چهار ماه را به عنوان اوج مرگ‌و‌میر ناشی از همه‌گیری نشان دادند که عبارت بودند از مهر 1399، آبان 1399، اردیبهشت 1400و مرداد 1400. شاخص کیفیت هوا در مهر ماه و آبان ماه 1399 افزایشی و در اردیبهشت ماه و مرداد ماه 1400 کاهشی می­باشد. البته در ماه­های غیر از اوج مرگ‌و‌میر نیز به همین منوال است. بنابراین می­توان گفت ارتباط معناداری بین تغییر غلظت آلاینده و میزان مرگ‌و‌میر وجود ندارد.

برای روش­های یادگیری ماشین می­توان گفت که مدل درخت تصمیم و مدل جنگل تصادفی، پیش‌بینی شاخص کیفیت هوا را به صورت ایده آل و نزدیک به یک نشان دادند. ضمنا پیش‌بینی با سایر روش­های یادگیری ماشین : ماشین بردار پشتیبان، شبکه بیزین و شبکه عصبی پرسپترون، نتایج مطلوبی را داشتند ولی نسبت به مدل درخت تصمیم و مدل جنگل تصادفی دقت کمتری داشتند . بنابراین از مدل درخت تصمیم و مدل جنگل تصادفی می­توان برای پیش‌بینی کیفیت هوا در آینده استفاده نمود.

 

5-                       نتيجه­گیری

این تحقیق مدلي از تغییرات غلظت آلاینده­ها با توجه به محدودیت­های ترافیکی اعمال شده در دوره همه­گیری کووید-19 در ایستگاه تحت نظارت شهر تهران مبتنی بر روش­های شاخص­های آماری توصیفی و یادگیری ماشین را ارائه می­کند. به منظور تجزیه و تحلیل تاثیر محدویت­های ترافیکی بر تغییرات غلظت آلاینده­ها، ابتدا پاک‌سازی و پیش‌پردازش داده­ها انجام شد. برای پیش‌بینی میزان غلظت آلاینده­ها،. ابتدا با روش انتخاب ویژگی مبتنی بر بهینه‌سازی ازدحام ذرات، ویژگی­هایي از آلاینده­ها به عنوان شاخص‌های اصلی شناسایی شدند که عبارتند از CO، O3، NO2،  PM2.5، PM10  و AQI. سپس آزمایش­هایی با استفاده از پنج روش یادگیری ماشین تحت عنوان درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، شبکه بیزین و شبکه عصبی پرسپترون برای دسته­بندی شاخص کیفیت هوا به شش کلاس و نظارت بر تأثیر آلاینده‌های مختلف هوا در طول قرنطینه کووید-19 مورد استفاده و مقایسه قرار گرفت. با استفاده از درخت تصمیم و جنگل تصادفی، قوانین مرتبط با غلظت آلاینده­های هوا و محدودیت­های ترافیکی تولید شدند. در بین مدل­های ارائه شده، درخت تصمیم و جنگل تصادفی در تمامی معیارها از نظر صحت و فراخوانی، بیشترین مقادیر را نسبت به سایر روش­ها داشتند. نتایج نشان داد که غلظت آلاينده­ها در برخي از ایستگاه­های تحت نظارت شهر تهران در زمان کووید-19 نسبت به قبل از آن افزايشي بوده است. مقدار CO در ایستگاه­های چشمه و سلامت و مفدار O3 در ایستگاه­های آتی ساز، امام خمینی، چشمه و ژئوفیزیک، افزايش يافته است. مقدار NO در ایستگاه­ دانشگاه شهید بهشتی و مقدار NO2  در ایستگاه­های آتی ساز، چشمه، دانشگاه شهید بهشتی و علم و صنعت افزايش يافته است. همچنين مقدار آلاينده SO2  در ایستگاه­ سلامت افزايش يافته است. مقدار PM2.5 در در ایستگاه­های آتی ساز، امام خمینی، پارک شکوفه، دانشگاه تهران، دانشگاه شهید بهشتی، سلامت و علم و صنعت و مقدار PM10 در ایستگاه­های آتی ساز، امام خمینی و چشمه افزايش يافته است. نهايتا مقدار AQI در ایستگاه­های آتی ساز، چشمه، دانشگاه تهران، دانشگاه شهید بهشتی، سلامت، ژئوفیزیک و علم و صنعت افزايشي بوده است. به‌طور‌کلی می­توان نتیجه گرفت که اعمال محدوديت هاي ترافيكي در دوره کووید-19 بر روي سطوح غلطت آلاينده­ها تاثير چندانی نداشته است. همچنین از این تحقيق استنباط می­شود که میانگین غلظت آلاینده­ها، در تمامی ایستگاه­ها در زمان قبل از کووید-19 و بعد از آن دارای الگوی افزایشی و یا کاهشی یکسان و مشابهی نمی­باشد، بنابراین می­بایست علاوه بر اعمال محدویت­های ذکر شده، تدابیر دقیق­تر و موثرتری در جهت کاهش غلظت تمام آلاینده­ها و بهبود شاخص کیفیت هوای شهر تهران در نظر گرفته شود.

در کارهای آینده تصمیم برآن شد که نتایج شاخص­های کیفیت هوا در زمان کووید-19 براساس روش­هایی مانند اینترنت اشیاء مورد بررسی قرار گیرد. همچنین شاخص­های کیفیت هوا قبل و بعد از کووید-19 براساس روش­های تصمیم­گیری چندمتغیره ارزیابی و مقایسه شود. نهایتا سند راهبردی در راستای محدودیت­های اثرگذار در زمان همه­گیری یا شرایط مشابه جهت وضع قوانین ترافیکی جدید برای کاهش آلودگی هوا ارائه گردد. 

 

 

 

منابع و مأخذ

[1] González-Pardo.J, Ceballos-Santos.S, Manzanas.R, Santibáñez.M, Fernández-Olmo.I, (2022), Estimating changes 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, Sci Total Environ, 823, 153786-153797.

 

[2] Gualtieri.G, Brilli.L, Carotenuto.F, Vagnoli.C, Zaldei.A, Gioli.B, (2020), Quantifying road traffic impact on air quality in urban areas: a COVID19-induced lockdown analysis in Italy, Environmentall Pollution, 267, 1-10.

 

[3] Gualtieri.G, Lorenzo.B, Federico.C, Carolina.V, Alessandro.Z, Beniamino.G, (2020), Quantifying road traffic impact on air quality in urban areas: A Covid19-induced lockdown analysis in Italy, Environmental Pollution, 267, 1-10.

 

[4] Hay.N, Onwuzurike.O, Roy.SP, McNamara.P, McNamara.ML, McDonald.W, (2023), Impact of traffic on air pollution in a mid-sized urban city during COVID-19 lockdowns, Air Qual Atmos Health, 16(6), 1141-1152.

 

[5] Ho.S.L., Yang.S, Ni.G, Lo.E.W.C, Wong.H.C., (2005), A particle swarm optimization based method for multi-objective design optimizations, IEEE Trans on Magnetics, 41(5), 1756-1759. 

 

[6] Huangfu.P, Atkinson.R, (2020), Long-term exposure to NO2 and O3 and all-cause and respiratory mortality: a systematic review andmeta-analysis, Environment International, 144, 105998-106006.

[7] Hudda.N, Simon.MC, Patton.AP, Durant.JL, (2020), Reductions in traffic-related black carbon and ultrafine particle number concentrations in an urban neighborhood during the COVID-19 pandemic, Science of The Total Environment, 742, 140930, 1-10.

 

[8] Hyman.S, Zhang.J, Andersen.ZJ, Cruickshank.S, Møller.P, Daras.K, Williams.R, Topping.D, Lim.YH, (2023), Long-term exposure to air pollution and COVID-19 severity: A cohort study in Greater Manchester, United Kingdom, Environmental Pollution, 327, 1-9.

 

[9] Jerrett.M, Nau.C.L., Young.D.R., Butler.R.K., Batteate. Ch.M., Su.J, Burnett.R.T., Kleeman.M.J., (2022), Air Pollution and Meteorology as Risk Factors for COVID-19 Death in a Cohort from Southern California, Environmental International, 171, 1-11.

 

[10] Jia.C, Fu.X, Bartelli.D, Smith.L, (2020), Insignificant impact of the “stay-at-home” order on ambient air quality in the Memphis Metropolitan Area, U.S.A. Atmosphere, 11(6), 630-640.

 

[11] Liu.J, Lipsitt.J, Jerrett.M, Zhu.Y, (2020), Decreases in Near-Road NO and NO2 Concentrations during the COVID-19 Pandemic in California, Environment Science Technology Letters, 8(2), 161–167.

 

[12] Liyin.Sh, Ochoa.J.J., & H.Bao, (2003), Strategies for Sustainable Urban Development-Addressing the Challenges of the 21st Century, Buildings, 13(4), 847-869.

 

[13] Uday.U, Bethineedi.L.D, Hasanain.M, Ghazi.B.K, Nadeem.A, Patel.P, Khalid.Z, (2022), Effect of COVID-19 on air pollution related illnesses in India, Annals of medicine and surgery, 78, 1-4. 

 [14] Wang.S, Ma.Y, Wang.Z, Wang.L, Chi.X, Ding.A, Yao.M, Li.Y, Li.Q, Wu.M, Zhang.L, Xiao.Y, Zhang.Y, (2020), Mobile monitoring of urban air quality at high spatial resolution by low-cost sensors: Impacts of COVID-19 pandemic lockdown, Atmos Chem Phys, 21(9), 7199–7215.  

 

[15] Wen.Ch, Akram.R, Irfan.M, Iqbal.W, Dagar.V, (2022), Á.Acevedo-Duqued, H.B.Saydaliev, The asymmetric nexus between air pollution and COVID-19: Evidence from a non-linear panel autoregressive distributed lag model, Environmental Research, 209, 1-9.

 

[16] Wijnands.J.S., Nice.K.A., Seneviratne.S, Thompson.J, Stevenson.M, (2022), The impact of the COVID-19 pandemic on air pollution: A global assessment using machine learning techniques, Atmospheric Pollution Research, 13(6), 1-16.

 

 [17] Xiang.J, Austin.E, Gould.T, Larson.T, Shirai.J, Liu.Y, Marshall.J, Seto.E, (2020), Impacts of the COVID-19 responses on traffic-related air pollution in a Northwestern US city, Science of The Environment, 747(141325), 1-9.

 

[18] Yang.M, Chen.L, Msigwa.G, Tang.K.H.D., Yap.P.S., (2022), Implications of COVID-19 on global environmental pollution and carbon emissions with strategies for sustainability in the COVID-19 era, Science of The Total Environment, 809, 1-16.

 

 

---