کاربرد شبکۀ عصبی مصنوعی و رگرسیون خطی در ارزیابی آلودگی هوای کلانشهر تبریز

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشیار جغرافیا و برنامه ریزی شهری، گروه جغرافیا و برنامه ریزی شهری، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران

2 کارشناسی ارشد جغرافیا و برنامه ریزی شهری- دانشگاه تبریز

3 دانشجوی دکتری جغرافیا و برنامه ریزی شهری- دانشگاه تبریز

چکیده

تبریز که سریع‌ترین رشد شهری را در شمال‌غرب کشور داراست، از بزرگترین شهرهای ایران از لحاظ جمعیتی، اقتصادی، صنعت و حمل‌ونقلی است که توسعه فزاینده به موازات عدم رعایت برنامه‌ریزی اصولی کاربری‌های اراضی و فرسودگی حمل‌و‌نقل عمومی و بخش‌احتراق صنایع و عدم فیلترازسیون مناسب این صنایع به عنوان مثال نیروگاه‌حرارتی منجر به افزایش آلودگی هوا در سطح شهر شده است. بدین منظور پژوهش حاضر سعی دارد با استفاده از متغیرهای ورودی ‌( فاصله از مراکز صنعتی، رطوبت، دما، تراکم‌جمعیت، فاصله از مراکز تجاری، فاصله از ایستگاه‌های اتوبوس، فاصله از مراکز آموزشی، تغییرات پوشش گیاهی، فاصله از آزاد راه‌ها، تراکم ساختمانی، جهت باد، دی‌اکسید کربن و مونوکسید کربن ) به ارزیابی آلودگی هوا با استفاده از شبکه عصبی مصنوعی و رگرسیون خطی در کلانشهر تبریز بپردازد. در پژوهش حاضر سعی گردید متغیرهای مستقل موثر در توزیع احتمال آلایندگی در دو مدل شبکه عصبی پرسپترون چند لایه (MLP) و رگرسیون خطی در ارتباط گذاشته شود تا بتوان با تعریف تمهیداتی در مدیریت شهری و اثر‌گذاری و برنامه‌ریزی در متغیرهای یاد شده کنترل آلودگی را بهبود بخشد. نتایج نشان می‌دهد که عمده‌ترین آلاینده‌ها بیشتر مربوط به ذرات معلق (PM10)، گاز (CO2)، (SO2) و (NOx) می‌باشد. پراکندگی ذرات معلق در هوا بیشتر بر اثر تردد وسایط نقلیه، فعالیت‌های صنعتی، احتراق سوخت موتورهای دیزل و ساخت‌و‌ساز بی‌رویه و نیاز به تولید برق بیشتر می‌باشد. فعالیت‌های نیروگاه‌های حرارتی، پالایشگاه تبریز و سیستم‌های گرمایشی‌خانگی و تجاری درون‌شهری نیز از جمله عوامل تولید کننده SO2 بوده و بیشترین تولید CO2 مربوط به سوخت خودروهای بنزین‌سوز می‌باشد. شدت افزایش مقدار این آلاینده در تمامی ایستگاه‌های منتخب در فصل‌های پاییز و زمستان به مراتب بیشتر بوده به‌طوری‌که در این فصول آلاینده‌ها به بیش از دو‌برابر مجاز نیز می‌رسند. سهم آلاینده‌های هوای تبریز را می‌توان به سه دسته کلی تقسیم‌بندی نمود که بیشترین عامل متعلق به بخش نیروگاه‌حرارتی و حمل‌و‌نقل می‌باشد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Application of artificial neural network and linear regression in assessing air pollution in Tabriz metropolis

نویسندگان [English]

  • Hassan Mahmoudzadeh 1
  • Mohammad Samadi 2
  • Majid paydar 3
1 Associate Professor of Geography and Urban Planning, Department of Geography and Urban Planning, Faculty of Planning and Environmental Sciences, University of Tabriz, Tabriz, Iran
2 MSC of Geography and Urban Planning - University of Tabriz
3 P.hd. Student Geography and Urban Planning - University of Tabriz
چکیده [English]

The city of Tabriz, which has the fastest urban growth in the northwest of the country, is one of the largest cities in Iran in terms of population, economic activity, industry and transportation options. Public transportation and industry combustion and lack of proper filtration of these industries, such as thermal power plants, has led to increased air pollution in the city. For this purpose, the present study tries to use input variables (distance from industrial centers, humidity, temperature, population density, distance from commercial centers, distance from bus stations, distance from educational centers, vegetation changes, distance from free Roads, building density, wind direction, carbon dioxide and carbon monoxide) to assess air pollution using artificial neural networks in the metropolis of Tabriz. In the present study, the independent variables affecting the distribution of pollution probability in two models of multilayer perceptron neural network (MLP) and linear regression were tried to be defined by defining measures in urban management and influencing and planning the mentioned variables.‌Improve pollution control.The results show that the major pollutants are mostly suspended particles (PM10), gas (CO2), (SO2) and (NOx).The dispersion of airborne particles is mostly‌due to vehicle traffic, industrial activities, fuel combustion of diesel engines and construction and the need to generate more electricity.-The activities of thermal power plants, Tabriz refinery and domestic and commercial heating systems are also among the factors producing SO2 and the highest CO2 production is related to the fuel of gasoline-burning vehicles.‌The intensity of the increase in the amount of this pollutant in all selected stations in the autumn and winter seasons is much higher, so that in these seasons the pollutants reach more than twice the allowable level.The share of Tabriz air pollutants can be divided into three general categories, the most important of which is the thermal power plant and transportation.

کلیدواژه‌ها [English]

  • Air Pollution
  • Artificial Neural Network
  • Linear regression
  • Tabriz Metropolis
  • MLP and GIS

مراجع

الوند، روفیده. محمدزاده، مرجان. رضایی، حمیدرضا، میرکریمی، سید حامد.(1396). نقش و کارکردهای اکولوژیکی فضاهای سبز شهری در توسعه پایدار شهرها. زیست سپهر، جلد 12، شماره 1،صص39-45.
آل شیخ،علی اصغر. قراگوزلو،علیرضا و سجادیان مهیار. (1391). بهره گیری از شبکه عصبی به منظور استفاده در فرآیند مدیریت ریسک زیست محیطی ناشی از آلودگی هوای منتج از ترافیک در کلانشهر تهران. فصل نامه جغرافیا و برنامه ریزی شهری چشم انداز زاگرس. سال چهارم. شماره13. صص26-38.
جعفریان،سمیه. زهرا،آقالری و نجار مرضیه.(1396). آگاهی و نگرش کنترل آلودگی هوای شهر تهران از منظر سالمندان و زنان باردار. مجله ارتقای ایمنی و پیشگری از مصدومیت­ها. دوره ششم. شماره2. صص 73-80.
حسین­پور، سید علی. گل زردی، سمانه. حکیم، زاده ساناز.(1392). تحلیلی بر تأثیرات زیست محیطی بر گسترش کالبدی شهر زنجان. مجله معماری و شهرسازی و توسعه پایدار با محوریت از معماری بومی تا شهر پایدار. ص9.
رحیمی، اکبر، (1385). تحلیل آلودگی­های هوایی ناشی از مکان­یابی نامناسب مراکز صنعتی در شهر تبریز با استفاده از شبکه­های عصبی مصنوعی، پایان­نامه کارشناسی ارشد، دانشگاه تبریز.
سرور هوشنگ، اسمعیل­پور مرضیه، خیری­زاده منصور، امرایی مهتاب: تحلیل فضایی مؤلفه­های تأثیرگذار بر آلودگی هوای شهر تبریز، مجله مخاطرات محیط طبیعی،دورۀ نهم،شماره بیست و چهارم، تابستان 1399، صص 151-172.
سلطانی،طاهره. گندمکار،امیر. عطایی،هوشمند. مفیدی،عباس و باقری محسن.(1397). بررسی تأثیر اقلیمی بر آلودگی هوای شهر مشهد با استفاده از مدل شبکه عصبی. فصلنامه علمی-پژوهشی جغرافیا(برنامه­ریزی منطقه­ای). سال هشتم. شماره3.صص73-82.
شریفی سده مریم، احمدی ندوشن مژگان: کاربرد روش رگرسیون اراضی (LUR) در مدل­سازی فضایی آلاینده­های هوا در شهر اصفهان؛ فصلنامۀ علوم محیطی، دورۀ شانزدهم، شماره2، تابستان 1397، صص216-203.
غیاث الدین، منصور.( 1385). آلودگی هوا (منابع، اثرات و کنترل). تهران. چاپ اول. انتشارات دانشگاه تهران.
قائمی،زینب. طالعی،محمد. فرنقی،مهدی و جوادی،قاسم.(1396). پیش­بینی آلودگی هوای شهر تهران با استفاده از ترکیب شبکه عصبی فازی-تطبیقی و آنالیزمولفۀ اصلی. سنجش از دور و GIS ایران،سال نهم(3). صص45-70.
قربانی،محمد و فیروز زارع علی(1388). ارزش­گذاری و ویژگی­های مختلف آلودگی هوا در مشهد. مجلۀ تحقیقات اقتصادی، شماره88، صص115-241
فرهادی، راضیه. هادی­فر، مجتبی. معین­الدینی، مظاهر. امین توسی، محمد. (1399). پیش­بینی غلظت آلاینده­های هوای تهران بر اساس متغیرهای هواشناسی با استفاده از شبکه عصبی مصنوعی و رگرسیون خطی در فصول گرم و سرد. محیط زیست طبیعی. منابع طبیعی ایران. دوره 73. شماره 1. صص 115 تا 127.
وحدت امیرحسین، علی محمدی عباس: بررسی تغییرپذیری ساعتی رابطه بین پارامترهای کاربری اراضی و آلایندۀ CO، با استفاده از مدل رگرسیون کاربری اراضی ( LUR ) در شهر تهران؛ سنجش از دور و GIS ایران سال دوازدهم، شماره اول، بهار 1399، صص18-1.
 
 
Azid, A., Juahir, H., Latif, M. T., Zain, S. M., & Osman, M. R. (2013). Feed-forward artificial neural network model for air pollutant index prediction in the southern region of Peninsular Malaysia. Journal of Environmental Protection, 2013.
Balogun, A. L., Tella, A., Baloo, L., & Adebisi, N. (2021). A review of the inter-correlation of climate change, air pollution and urban sustainability using novel machine learning algorithms and spatial information science. Urban Climate, 40, 100989.
Boznar.M.,Lesiak.M.,Mlaker.P.,(1993).A neural network based method for shortterm predictions of ambient S02 concentrations in highly polluted industrial areas of complex terrain.Atmos.Environ.27B(2),pp.221-230
Brunekreef, B. & Holgate, S.T., 2002, Air Pollution and Health, The Lancet 360(9341), PP. 1233 1242.
Bates, D. V. (1995). The effects of air pollution on children. Environmental health perspectives, 103(suppl 6), 49-53.
Biancofiore, F., Verdecchia, M., Di Carlo, P., Tomassetti, B., Aruffo, E., Busilacchio, M., ... & Colangeli, C. (2015). Analysis of surface ozone using a recurrent neural network. Science of the Total Environment, 514, 379-387.
Bhuiyan, R. (2021). Examination of air pollutant concentrations in Smart City Helsinki using data exploration and deep learning methods.
Collett RS, Oduyemi K. 1997; Air quality modelling: a technical review of mathematical approaches. Meteorological Applications. 4(03):235-46.
Gao, M., Yin, L., & Ning, J. (2018). Artificial neural network model for ozone concentration estimation and Monte Carlo analysis. Atmospheric Environment, 184, 129-139.
Garc a Nieto, P.J., Combarro, E.F., del Coz D az, J.J. & Monta és, E., 2013, A SVM-Based Regression Model to Study the Air Quality at Local Scale in Oviedo Urban Area (Northern Spain): A Case Study, Applied Mathematics and Computation 219(17), PP. 8923 8937.
Dutta, A., & Jinsart, W. (2020). Application and comparison of MLR, ANN and CART models for predicting PM10 concentration level of Guwahati city (India).
Ibarra-Berastegi G, Elias A, Barona A, Saenz J, Ezcurra A, de Argandoña JD. 2008; From diagnosis to prognosis for forecasting air pollution using neural networks: Air pollution monitoring in Bilbao. Environmental Modelling & Software. 23(5):622-37.
Krzyzanowski, M. (2008). WHO air quality guidelines for Europe. Journal of Toxicology and Environmental Health, Part A, 71(1), 47-50.
Mudway, I. S., Kelly, F. J., & Holgate, S. T. (2020). Oxidative stress in air pollution research. Free radical biology & medicine, 151, 2.
Qiu, H., Yu, I., Wang, X., Tian, L., Tse, L.A., Wong, T.W., (2013). Differential effects offine and coarse particles on daily emergency cardiovascular hospitalizations in Hong Kong. Atmos. Environ., 64, (pp. 296 -302)
Sharma N, Chaudhry K, Rao CC. 2005; Vehicular pollution modeling using artificial neural network technique: A review. Journal of Scientific and Industrial research. 64(9):637.
Slaughter, J.C., Lumley, T., Sheppard, L., Koenig, J.Q., and Shapiro, G.G., (20 03). Effects of ambient air pollution on symptom severity and medication use in children with asthma, Annals of Allergy, Asthma and Immunology, vol. 91, no. 4, (pp. 346 –353)
Shi.J.P.,Harrison,R.M.,(1997),Regression modeling of hourly NOX and N02 concentration n urban air in London.,Atmos.Environ.Modell&Softw.,22,264-275.
Sahoo, L., Praharaj, B. B., & Sahoo, M. K. (2021). Air Quality Prediction Using Artificial Neural Network. In Soft Computing Techniques and Applications (pp. 31-37). Springer, Singapore.
U.S. EPA (2009). Technical Assistance Document for Reporting of Daily Air Quality -air Quality Index. U.S. Environmental Protection Agency, Office of Air Quality Planning and Standards, Research Triangle Park, North Caroli
Zannetti, p. 1990; Air pollution modeling, theories, computational methods and software’s, computational mechanics publication, WIT Press.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار