مدل‌سازی تأثیرات جریان‌های ترافیکی بر آلودگی هوای شهر شیراز

رضیه قنبری فرد, علی اکبر صفوی, پیمان ستوده

چکیده


سابقه و هدف: در کشور ایران حمل و نقل و جریان­های ترافیکی بیشترین علت آلودگی هوا را تشکیل می­دهند. بر­همین اساس مسأله بررسی تأثیرات حمل و نقل و جریان­های ترافیکی بر کیفیت هوا خصوصا در مناطق شهری و انجام پیش­بینی­ها و برنامه­ریزی­های لازم متناسب با آن، امری ضروری بحساب می­آید. با این­حال متأسفانه در این زمینه کار­های زیادی در ایران صورت نگرفته است. شناسایی منابع آلاینده از مهم­ترین و زمان­بر‌ترین مراحل مدل­سازی آلودگی هواست. برای مدل­سازی آلودگی هوای یک منطقه نمی­توان تنها یک متغیر را در‌نظر گرفت؛ بلکه باید متغیر­های فراوانی را مورد مطالعه، بررسی و برنامه­ریزی قرار داد. برخی اقدامات، تغییرات محسوسی در وضعیت آلودگی هوای کلان شهر­ها ایجاد می­کند. بنابراین، انجام یکسری اقدامات می­تواند کاهش آلودگی هوا را به دنبال داشته باشد که اتخاذ روش­های نوین سنجش آلاینده­های هوا یکی آنهاست. هدف اصلی این تحقیق ارائه مدلی هوش­مند است که بتوان به کمک آن در شرایط خیابان­های شهری غلظت آلاینده­هایی از قبیل ،    و CO را با دقت مناسبی تخمین زد و با بررسی علل و عوامل تولید این آلاینده­ها و پیش­بینی آلودگی هوا، اقدامات و برنامه­ریزی­های لازم در راستای مدیریت و کنترل آلودگی هوا را انجام داد.

مواد و روش‌ها: در این مقاله یک مدل شبکه عصبی و یک مدل غیر­خطی مبتنی بر فضای حالت بر مبنای ترافیک شهر شیراز طراحی شده است. در این مدل­سازی غلظت آلاینده­های  مورد بررسی قرار گرفته و نهایتا با استفاده از فیلتر کالمن برای یک دوره 24 ساعته پیش­بینی شده است. این مدل­سازی برمبنای رابطه بین غلظت آلاینده­ها و ترافیک و آلودگی اولیه و اطلاعات هواشناسی می­باشد. الگوریتم فیلتر کالمن توسعه یافته با استفاده از داده­ی آلودگی و ترافیکی و هم­چنین داده­های هواشناسی به منظور پیش­بینی 24 ساعته آلودگی نقاط مختلف شهر شیراز انجام گرفت. مشخصه کلیدی چنین سیستمی این است که رفتار آن با تغییرات آلودگی در کوتاه مدت منطبق می­شود و نیاز به تنظیمات مکرر ندارد. روش شبکه عصبی و فیلتر کالمن به اطلاعات شهر شیراز اعمال شد.

نتایج و بحث: در این کار به بررسی داده­های ترافیکی و داده­های آلودگی ناشی از غلظت آلاینده­ها پرداخته شده، سپس تلاش شده است که داده­های آلودگی با نقاط معنی­دار شهر شیراز تطبیق داده­ شود و بسیاری از داده­های آلودگی و ترافیکی به دلیل عدم تطابق با یکدیگر از نظر مکانی حذف شدند. در نهایت مدل­سازی بر اساس آن بهنگام شده و نتیجه این مطالعات با نتایج واقعی تطبیق داده شد. این ساختار مدل غیرخطی استفاده تکاملی و انعطاف­پذیری را ارائه می­دهد. به این معنا که ارزیابی کلی عملکرد مدل می­تواند به راحتی با اضافه یا کم کردن متغیر جدید انجام گیرد. از طرفی در صورت در اختیار داشتن داده­های متناظر با هر ایستگاه جدید دیگر می­توان براحتی مطالعات را برای نقاط دیگر شهر شیراز بسط داد. به این ترتیب اگر ترافیک در بعضی نقاط شهر شیراز در دسترس باشد، می­توان با بعضی مانورهای ترافیکی آلودگی را به سمت­های دیگر بسط داده و در مناطق بحرانی کاهش داد.

نتیجه گیری: نتایج بصورت آزمایشی نشان می­دهد که مدل ها و  خصوصا مدل فیلتر کالمن توسعه یافته غلظت آلاینده­ها را بخوبی پیش­بینی می­کند.


واژگان کلیدی


مدل‌سازی، آلودگی هوا، ترافیک، شبکه عصبی، فیلتر کالمن.

تمام متن:

PDF

منابع و مآخذ مقاله


Hassan A.A, Crowther J.M. Modelling of fluid flow and pollutant dispersion in a street canyon. Environmental Monitoring and Assessment Journal; 1998; 52:281-297.

Branis M. Air quality of Prague: traffic as a main pollution source. Environmental monitoring and assessment Journal; 2009; 156.1-4:377-390.

Kim Y, Guldmann J.M. Impact of traffic flows and wind directions on air pollution concentrations in Seoul, Korea. Atmospheric Environment Journal; 2011; 45.16:2803-2810.

Gokhale S. Traffic flow pattern and meteorology at two distinct urban junctions with impacts on air quality. Atmospheric Environment Journal; 2011; 45.10:1830-1840.

Keuken M.P. Elemental carbon as an indicator for evaluating the impact of traffic measures on air quality and health. Atmospheric Environment Journal; 2012; 61:1-8.

Marsik T, Johnson R. Model for Estimation of Traffic Pollutant Levels in Northern Communities. Journal of the Air & Waste Management Association; 2010; 60 (11):1335-1340.

Zolghadri A, Cazaurang F. Adaptive nonlinear state-space modelling for the prediction of daily mean PM10 concentrations. Environmental Modelling & Software Journal; 2006;21, (6):885-894.

منهاج م.ب. مبانی شبکه های عصبی (هوش مصنوعی)، جلد اول، انتشارات دانشگاه امیرکبیر؛ 1387.

Safavi A.A. Wavelet-based neural network and multiresolution analysis with applications to process systems engineering. Ph.D.: Dept. of Chemical Eng., the University of Sydney, Australia; 1996.

Haykin S. Neural networks-a comprehensive foundation. 2nd Ed, Prentic-Hall; 1999.

Ding X, Canu S, Denceux T. “Neural network model for forecasting.” Neural networks and their applications, In J. G. Taylor, Ed., John Wiley and Sons; 1996. pp 153-167.

Winer N. Extrapolation, Introduction, and Smoothing of Stationary Time Series. New York. Wiley; 1949.

Kalman R. E. A New Approach to Linear Filtering and Prediction Problems.Trans. ASME-J. Basic Eng., 35-45; 1960.

Brown R. G, Hwang P. Y. C. Introduction to Random signals and applied Kalman Filtering. Wiley, 4th Ed; 2007.

Young P.C, Ng C.N, Lane K, Parker D. Recursive forecasting, smoothing and seasonal adjustment of non-stationary environmental data. Journal of Forecasting; 1992; (10), pp 57-89.


ارجاعات

  • در حال حاضر ارجاعی نیست.