مدل سازی روابط بین تغییرات مکانی- زمانی حجم ترافیک و غلظت آلاینده ی PM۲.۵ بر پایه مدل رگرسیون وزنی جغرافیایی(GWR) و معکوس فاصله وزنی (IDW)، مطالعه موردی: کلانشهر تهران
Publish place: Journal of School of Public Health and Institute of Public Health Research، Vol: 19، Issue: 1
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 191
This Paper With 14 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_SJSPH-19-1_002
تاریخ نمایه سازی: 27 دی 1401
Abstract:
زمینه و هدف: غلظت بالای PM۲.۵ مسبب اکثر روزهای ناسالم هوای تهران طی سال های اخیر بوده است؛ به همین منظور مطالعه حاضر با هدف تحلیل فضایی- زمانی حجم ترافیک و ارتباط آن با غلظت آلاینده ی PM۲.۵ در کلانشهر تهران طی سال های ۱۳۹۷-۱۳۹۴ با استفاده از سیستم اطلاعات جغرافیایی (GIS) انجام شد.
روش کار: در این مطالعه از مدل درون یابی معکوس فاصله وزنی(IDW) Inverse Distance Weighting برای پیش بینی و پهنه بندی غلظت آلاینده ی PM۲.۵ و حجم ترافیک استفاده شد. همچنین از مدل رگرسیون وزنی جغرافیاییGeographically Weighted Regression (GWR) برای میزان ارتباط غلظت آلاینده PM۲.۵ و حجم ترافیک در نواحی مختلف کلانشهر تهران طی چهار سال متوالی (۱۳۹۴-۱۳۹۷) استفاده شده است.
نتایج: نتایج حاصل از پهنه بندی غلظت آلاینده PM۲.۵ و حجم ترافیک نشان داد که نواحی جنوب و جنوب غرب بیشترین غلظت آلاینده PM۲.۵ (میانگین سالانه بیش از μg/m۳ ۴۰) و نواحی شرقی و شمالی بیشترین حجم ترافیک را داشته اند؛ همچنین بیشترین مقادیر R۲ محلی از مدلGWR برای نواحی شرقی (بین ۳۶/۰ تا ۷۰/۰) به دست آمد.
نتیجه گیری: در بیشتر مناطق تهران نمی توان ارتباط قوی بین غلظت بالای آلاینده PM۲.۵ و ترافیک یافت. با این وجود، مطالعه حاضر ارتباط ترافیک و غلظت آلاینده PM۲.۵ را رد نمی کند بلکه علت اصلی غلظت بالای PM۲.۵ را منابع دیگری می داند که در گام اول، باید شناسایی شوند؛ در گام بعدی برای رسیدن به هوایی پاک تر، به استراتژی های کنترل و کاهش حجم ترافیک پرداخته شود.
Keywords:
PM۲.۵ Pollutant , GIS , Spatio-Temporal Modeling , Traffic , Inverse Distance Weighting (IDW) , Geographically Weighted Regression (GWR) , Tehran , Iran , آلاینده PM۲.۵ , سیستم اطلاعات جغرافیایی , مدل سازی فضایی- زمانی , ترافیک , درون یابی معکوس فاصله وزنی , رگرسیون وزنی جغرافیایی , تهران , ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :