رضیه قنبری فرد؛ علی اکبر صفوی؛ پیمان ستوده
دوره 15، شماره 1 ، فروردین 1396، ، صفحه 157-174
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 ...
بیشتر
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 می شود 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 می دهد که مدل ها و خصوصا مدل فیلتر کالمن توسعه یافته غلظت آلاینده ها را بخوبی پیشبینی می کند.