ارائه الگوی داده کاوی مبتنی بر شاخص توسعه پایدار در مدیریت شهری کلانشهر تهران متاثر از همهگیری کووید-19
محورهای موضوعی : مدیریتعباس ملکی 1 , صادق عابدی 2 , علیرضا ایرج پور 3
1 - دانشجوی دکتری، گروه مدیریت صنعتی، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران
2 - استادیار، گروه مدیریت صنعتی ، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران (عهدهدار مکاتبات)
3 - استادیار، گروه مدیریت صنعتی، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران
کلید واژه: دادهکاوی, درخت تصمیم, توسعه پایدار, محدودیتهای ترافیکی, کووید-19,
چکیده مقاله :
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 زیرمجموعه-های شاخص زیست محیطی 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 جمع آوری، پردازش و پاکسازی میشوند. بر روی ویژگیهای موثر انتخاب شده با استفاده از روش بهینه سازی 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 پیش بینی 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 مرگ و میر در دوره همهگیری مشخص شد که کاهش و یا افزایش آلایندهها ارتباط معناداری با روند مرگ و میر ناشی از کووید-19 ندارد.
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.
مجله مدیریت توسعه و تحول 55 (1402) 130-117
ارائه الگوی داده کاوی مبتنی بر شاخص توسعه پایدار در مدیریت شهری متاثر از همهگیری کووید-19
عباس ملکی 1، صادق عابدی2،*، علیرضا ایرجپور 3
1. دانشجوی دکتری، گروه مدیریت صنعتی، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران
2. استادیار، گروه مدیریت صنعتی ، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران (عهدهدار مکاتبات)
3. استادیار، گروه مدیریت صنعتی، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران
تاریخ دریافت: مرداد 1402، اصلاحيه: آبان 1402، پذیرش: بهمن 1402
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- پیشینه تحقیق
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.
(1) |
|
[1] particulate matter (PM)
[2] ammonia (NH3)
[3] Carbon Monoxide(CO)
*abedi.sadegh gmail.com
[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 |
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:
(2) |
| |||||||||
(3) |
|
(4) |
|
(5) |
|
|
(5) |
|
(6) |
|
(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
4-4-5. 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 |
4-4-6. 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, S. P., McNamara, P., McNamara, M. L., 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, M.C., Patton, A.P., Durant, J.L. (2020). Reductions in Traffic-Related Black Carbon and Ultrafine Particle Mumber 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, Z.J., Cruickshank, S., Møller, P., Daras, K., Williams, R., Topping, D., Lim, Y.H. (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, C.h.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., Bao, H. (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. Acevedo-Duqued, A., Saydaliev, H.B. (2022). 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.