پهنه بندی تغییرات الگوهای کاربری اراضی بر تغییرات مکانی آلایندهها شهری مطالعه موردی: پهنه جنوبی تهران
محورهای موضوعی : آلودگی های محیط زیست (آب، خاک و هوا)مهری کدیور 1 , مریم رباطی 2 , فریبا زمانی 3
1 - کارشناسی ارشد رشته مهندسی محیط زیست گرایش آلودگی هوا، واحد علوم تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 - دانشیار گروه علوم محیط زیست، واحد علوم تحقیقات تهران، دانشگاه آزاد اسلامی، ایران
3 - استادیار گروه علوم محیط زیست، واحد علوم تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
کلید واژه: تغییرات کاربری اراضی, آلودگی هوا, SVM, LST, IDW, ArcGIS, روش های تصمیم گیری چند معیاره.,
چکیده مقاله :
زمینه و هدف: تغییرات کاربری اراضی و گسترش مناطق شهری و صنعتی نقش مهمی در تغییر الگوی پراکنش آلایندههای شهری ایفا کرده و منجر به افزایش تمرکز آلایندهها در مناطق پرتراکم شده است. این پژوهش به بررسی تغییرات کاربری اراضی در محدوده جنوبی تهران در بازه زمانی 1392 تا 1403 میپردازد.
روش بررسی: برای انجام این تحقیق، دادههای ماهوارهای از تصاویر سنجنده لندست 7 و 8 بهدست آمد و پس از تصحیحات لازم، شاخص پوشش گیاهی (NDVI) محاسبه شد. طبقهبندی SVM برای شبیهسازی تغییرات کاربری اراضی در سالهای 1392 و 1403 انجام شد و رابطه پوشش گیاهی با دمای سطح زمین (LST) در این دو سال بررسی گردید. همچنین، برای تحلیل وضعیت آلودگی هوا، از مدل درونیابی وزندهی معکوس فاصله (IDW) در محیط نرمافزار ArcGIS استفاده شد تا توزیع مکانی آلایندهها مانند PM10 و NO2 در منطقه بررسی گردد.
یافتهها: نتایج نشان داد که مساحت مناطق شهری و صنعتی در این مدت از 35 درصد به 40 درصد افزایش یافته و در مقابل، پوشش گیاهی به میزان 15 درصد کاهش داشته است. نتایج نشان داد که تغییرات کاربری اراضی موجب افزایش غلظت آلایندهها در مناطق صنعتی و مسکونی شده است و این امر بر تشدید پدیده جزیره گرمایی در منطقه تأثیرگذار بوده است.
بحث و نتیجه گیری: یافتهها بیانگر آناند که توسعه نامتوازن شهری بدون در نظر گرفتن ملاحظات زیستمحیطی، موجب افت کیفیت هوای منطقه و افزایش خطرات بهداشتی برای ساکنان شده است. بر این اساس، بهبود مدیریت شهری با تأکید بر توسعه فضاهای سبز، کنترل تغییرات کاربری اراضی و ارتقاء زیرساختهای پایش آلودگی، میتواند در کاهش اثرات منفی زیستمحیطی و ارتقای کیفیت زندگی شهروندان نقش مؤثری ایفا کند.
Background and Objective: Land use changes and the expansion of urban and industrial areas play a significant role in altering the spatial distribution patterns of urban pollutants, leading to increased concentrations of pollutants in densely populated areas. This study investigates land use changes in the southern part of Tehran between 2013 and 2024.
Methods: To conduct the study, satellite data from Landsat 7 and 8 sensors were utilized. After applying necessary corrections, the Normalized Difference Vegetation Index (NDVI) was calculated. Land use changes for the years 2013 and 2024 were simulated using the Support Vector Machine (SVM) classification method, and the relationship between vegetation cover and Land Surface Temperature (LST) was analyzed for both years. In addition, the Inverse Distance Weighting (IDW) interpolation model in ArcGIS was used to analyze the spatial distribution of pollutants such as PM₁₀ and NO₂.
Findings: The results indicated that the area of urban and industrial zones increased from 35% to 40%, while vegetation cover decreased by 15% during the study period. The findings revealed that land use changes led to higher pollutant concentrations in industrial and residential areas and contributed to the intensification of the urban heat island phenomenon in the region.
Discussion and Conclusion: The findings suggest that unbalanced urban development without consideration of environmental factors has resulted in a decline in air quality and increased health risks for residents. Therefore, improving urban management by focusing on green space development, controlling land use changes, and enhancing air pollution monitoring infrastructure can play a significant role in mitigating environmental impacts and improving the quality of life for urban residents.
[1] Mousavi S, Ahmadi M, Rezaei A. Investigating the effects of urbanization and industrial development on air quality in Iranian metropolitan cities. Environ Sustain Dev Q. 2021; 22(3): 67-82. [In Persian]
[2] Ghorani-Azam A, Riahi-Zanjani B, Balali-Mood M. Effects of air pollution on human health and practical measures for prevention in Iran. J Res Med Sci. 2016; 21(1): 65.
[3] Redzuan S. Characteristics of PM10 Level during Haze Events in Malaysia Based on Quantile Regression Method. Atmosphere. 2023; 14(407): 611-22.
[4] Zhang Y, Wang X, Chen H. Air pollution modeling and prediction: A review of machine learning approaches. Atmos Environ. 2021; 246: 118092.
[5] Hosseini M, Akbari F, Sharifi N. Investigating the health effects of exposure to particulate matter (PM10 and PM2.5) in the metropolitan city of Tehran. Environ Sci Q. 2019; 17(3): 55-70. [In Persian]
[6] Kim KH, Kabir E, Kabir S. A review on the human health impact of airborne particulate matter. Environ Int. 2015; 74: 136-43.
[7] Shafizadeh-Moghadam H, Helbich M, Tayyebi A, Ebrahimian A. Impacts of urban expansion on PM10 and CO pollution in Iran: A spatial-temporal analysis. Environ Pollut. 2017; 225: 313-27.
[8] Rezaei N, Mohammadi A, Karimi F. Investigating the relationship between meteorological conditions and changes in PM10 concentration in the metropolitan city of Tehran. Air Pollut Health J. 2021; 29(4): 78-93. [In Persian]
[9] Khoshakhlagh AH, Mohammadzadeh M, Morais S. Air quality in Tehran, Iran: Spatio-temporal characteristics, human health effects, economic costs and recommendations for good practice. Atmos Environ X. 2023; 19: 100222.
[10] Ramli N. Performance of Bayesian Model Averaging (BMA) for Short-Term Prediction of PM10 Concentration in the Peninsular Malaysia. Atmosphere. 2023; 14(2): 311.
[11] Mahmoudi S, Heydari M, Shafiei N. Analyzing the role of road transportation in PM10 emission and its impact on air quality in the metropolitan city of Tehran. Environ Sustain Dev Q. 2020; 21(3): 56-72. [In Persian]
[12] Grigoratos T, Martini G. Non-exhaust traffic related emissions: Brake and tire wear PM. Atmos Environ. 2015; 99: 611-22.
[13] Traczyk P, Gruszecka-Kosowska A. The condition of air pollution in Kraków, Poland, in 2005–2020, with health risk assessment. Int J Environ Res Public Health. 2020; 17(17): 6063.
[14] Zhang K. Multi-step forecast of PM2.5 and PM10 concentrations using convolutional neural network integrated with spatial–temporal attention and residual learning. Environ Int. 2023; 171: 107691.
[15] Chen Y, Wang K, Li X. Impacts of land use change on urban air pollution: A spatial analysis approach. Environ Res. 2020; 188: 109759.
[16] Faridi S, Bayat R, Cohen AJ, Sharafkhani E, Brook JR, Niazi S, et al. Health burden and economic loss attributable to ambient PM2.5 in Iran based on the ground and satellite data. Sci Rep. 2022; 12(1): 14386.
[17] Hosseini M, Rezaei N, Akbari F. Analyzing the effects of land-use changes on urban environmental pollution (Case study: Tehran). Environ Sustain Dev Q. 2019; 19(2): 45-62. [In Persian]
[18] Shaziayani W. Evaluation of Boosted Regression Tree for the Prediction of the Maximum 24-Hour Concentration of Particulate Matter. Int J Environ Sci Dev. 2021; 12(130-126).
[19] Abbasi MT, Alesheikh AA, Jafari A, Lotfata A. Spatial and temporal patterns of urban air pollution in Tehran with a focus on PM2.5 and associated pollutants. Sci Rep. 2024; 14(1): 25150.
[20] Gholami H, Goudarzi G, Bahrami H. Assessing the relationship between meteorological parameters and PM10 concentrations in Ahvaz, Iran. Atmos Pollut Res. 2016; 7(3): 513-20.
[21] Broomandi P, Nematollahi O, Hashim H, Hosseini V. Urban air pollution in Iran: A systematic review of spatial and temporal variations and trends. Sustain Cities Soc. 2020; 54: 102013.
[22] Zhao W, Zhong Y, Li Q, Li M, Liu J, Tang L. Comparison and correction of IDW based wind speed interpolation methods in urbanized Shenzhen. Front Earth Sci. 2022; 16(3): 798-808.
[23] Poorheidari S. Tehran: A demographic, geographical, and social study. 2nd ed. Tehran: University of Tehran Press; 2019. [In Persian]
[24] Hosseini M. Investigating the impact of land-use changes on air quality in urban areas: A case study of Tehran. Environ Res J. 2020; 15(2): 56-72. [In Persian]
[25] Singh S, Sharma R. Urban land-use classification using Support Vector Machine (SVM). J Environ Manag. 2021; 232: 417-26.
[26] Johnson P, et al. Urban land cover classification using remote sensing and machine learning methods. Remote Sens Environ. 2020; 239: 111497.
[27] Mohammadi M, et al. Air pollution mapping in Tehran using GIS and remote sensing techniques. Environ Pollut. 2019; 245: 900-11.
[28] Zarei M, et al. Temporal changes of air quality in Tehran: A study based on AQI. Environ Monit Assess. 2015; 187(7): 1-9.
[29] Gupta A, et al. Air quality assessment in Delhi using AQI. Environ Pollut. 2018; 232: 876-84.
