نوع مقاله : مقاله پژوهشی

نویسندگان

گروه محیط زیست، دانشگاه آزاد اسلامی واحد اصفهان (خوراسگان)، اصفهان، ایران

چکیده

سابقه و هدف:
یکی از معضلات مهم کلان‌شهرها، ازجمله شهر اصفهان، آلودگی هوا است و مهمترین آلاینده‌ها  PM، O3، SO2، CO و NOx هستند. بررسی‌های متعددی نشان داده‌اند که مدل رگرسیون کاربری اراضی را می‌توان برای برآورد غلظت‌های آلاینده به‌طور دقیق بدون پایش مستمر آلودگی مورد استفاده قرار داد. هدف مدل‌های رگرسیون کاربری اراضی نشان دادن توزیع مکانی غلظت‌های آلاینده‌ها است. هدف کلی این پژوهش، استفاده از مدل رگرسیون کاربری اراضی به‌منظور درک بهتر توزیع و پراکنش مکانی آلاینده‌های NOX، PM10، CO، O3 و SO2 و بررسی تاثیر کاربری اراضی و سایر عوامل تاثیرگذار از جمله ترافیک بر کیفیت هوای شهر اصفهان است. 
مواد و روش‌‌ها:
مدل‌سازی رگرسیون کاربری اراضی به‌عنوان روش مفیدی برای برآورد تغییرات غلظت‌ آلاینده‌ها در شهرها استفاده می‌شود. این روش از الگوهای ترافیک، حمل‌ونقل و کاربری اراضی به‌عنوان پیش‌بینی‌کننده تغییرات آلودگی استفاده می‌کند. از آنجاکه آلودگی هوا با عوامل متعددی از قبیل جمعیت، ترافیک، کاربری اراضی، ارتفاع، طول جاده‌ها، حجم سواری شخصی و حجم حمل‌ونقل عمومی در ارتباط است، نقشه‌ها و داده‌های مربوط به این عوامل با استفاده از نرم‌افزار ArcGIS 10.2 تهیه و با استفاده از روش رگرسیون کاربری اراضی، مهم‌ترین عوامل موثر در تولید هر یک از آلاینده‌ها تعیین شد. برای تهیه نقشه کاربری اراضی منطقه اصفهان از تصویر سنجندهTM  ماهواره لندست و روش طبقه‌بندی نظارت‌شده حداکثر احتمال استفاده شد و بعد از آن صحت طبقه‌بندی ارزیابی شد. به‌منظور مدل‌سازی در ابتدا دو بافر دایره‌ای شکل در اطراف ایستگاه‌های سنجش آلاینده‌ها (500-1000 متر) تعریف شد. سپس مساحت کاربری‌های اراضی، طول معابر، ترافیک، جمعیت و ارتفاع به‌صورت جداگانه توسط نرم‌افزار ArcGIS10.2 استخراج شد. پس از استخراج متغیر‌های مورد نظر این داده‌ها با استفاده از نرم‌افزار SPSS 19 تجزیه‌وتحلیل آماری شد. برای آشکارسازی تاثیرات کاربری اراضی بر آلاینده‌ها، از رابطه رگرسیون خطی استفاده شد. 
نتایج و بحث:
نتایج ارزیابی صحت طبقه‌بندی نشان‌دهنده قابلیت بالای روش طبقه‌بندی نظارت‌شده حداکثر احتمال در تهیه نقشه کاربری اراضی با صحت بالا است زیرا نقشه کاربری اراضی تهیه‌شده دارای صحت 95 درصد بود. نتایج مدل رگرسیون کاربری اراضی نشان داد از بین انواع گوناگون کاربری اراضی، مناطق مسکونی و صنعتی بیشترین تاثیر را در آلودگی هوا دارد و نتایج همچنین نشان داد که مهمترین عوامل موثر بر آلاینده‌ها حجم ترافیک، جمعیت و کاربری اراضی است. 
نتیجه‌گیری:
براساس بررسی‌ها و تحلیل‌های صورت‌گرفته و با توجه به آنالیز همبستگی بین داده‌های واقعی و داده‌های پیش‌‌بینی‌شده آلاینده‌ها و برآورد ضریب همبستگی بالاتر از 90 درصد، مدل رگرسیون کاربری اراضی قابلیت بالایی برای پیش‌بینی آلاینده‌ها دارد و جمعیت، ترافیک و کاربری اراضی جز متغیر‌های اصلی هستند که بر پراکنش آلاینده‌ها تاثیرگذارند.

کلیدواژه‌ها

عنوان مقاله [English]

Application of a land use regression (LUR) model to the spatial modelling of air pollutants in Esfahan city

نویسندگان [English]

  • Maryam Sharifi Sadeh
  • Mozhgan Ahmadi Nadoushan

Department of Environment, Islamic Azad University, Isfahan (Khorasgan) branch, Isfahan, Iran

چکیده [English]

Introduction:
The rapid growth of technology has led to an increase in air pollution in most countries of the world. One of the most serious problems that metropolitan cities such as Esfahan encounter is air pollution. The most important pollutants that should be mentioned are PM, O3, SO2, CO and NOX. The main objective of this study is to analyze the land use effects and other effective parameters such as traffic on the air quality of Esfahan and evaluating the spatial dispersion of PM, O3, SO2, CO and NOX. LUR offers an improved level of detail at which pollution variability is observed. Numerous studies have shown that land use regression (LUR) models can be applied to obtain accurate, small-scale air pollutant concentrations without a detailed pollutant emission inventory. 
Materials and methods:
Land use regression modelling is used as a useful method for estimating changes in the concentrations of air pollutants in cities. Thus, LUR predicts the concentrations of pollution based on surrounding land use and traffic characteristics within circular areas (buffers) as predictors of measured concentrations. Moreover, the enhancement of geographic information system (GIS) techniques has contributed to the dissemination of the LUR method. Since the air pollution is in relation to factors such as population, traffic, land use, height, road length and public transportation as the most effective factors in producing these pollutants have prepared using ArcGIS 10.2 and modeled by LUR method. The regression model was run using SPSS 19. 
Results and discussion:
With the usage of the LUR method, the most important and effective factors could be determined and modelled. It should be mentioned that among different types of land uses, residential areas and industrial regions cause the maximum effects on air pollution.
 Conclusion:
The results of the LUR model have revealed that traffic volume, population and land use are the most important factor affected on pollutants production.

کلیدواژه‌ها [English]

  • Air pollution
  • Land use
  • Land use regression model
  • Esfahan

Alesheikh, A.A., Gharagouzlou, A., Sajadian, M. 2012. Study of Air Polution Resulting from the Transportation Traffic in Tehran Metropolis by Using LUR Model Combined With GIS And Emission Factors. Geographical Journal Of Chashmandaz-E-Zagros. 4(11), 143-158.

Alikhah, M. and Foroutan, A.L., 2013, The usage of classification methods for land use mapping in the Hablehrood area, The fourth conference on human and environment, Hamedan, 41-47.

Barati Ghahfarokhi, S., Soltani koupaei, S., Khajeddin, S.J., Rayegani, B., 2009. Land use change detection in Ghaleshahrokh using remote sensing technology. Journal of Water and Soil Science. 47, 439-465.

Beelen, R., Hoek, G., Vienneau, D., 2013. Development of NO2 and NOx land use regression models for estimating air pollution exposure in 36 study areas in Europe – the ESCAPE project. Atmos. Environ. 72, 10-23.

Ghanbari Fard, R., Safavi A.A., Setoodeh, P., 2017. Effect of traffic flow modelling on air pollution in Shiraz city. Environmental Sciences. 15(1), 157-174.

Hennig, F., Sugiri, D., Tzivian, L., Fuks, K., Moebus, S., Jockel, K., Vienneau, D., Kuhlbusch , A.J., Hoogh, K., Memmesheimer, M., Jakobs , H., Quass, U., Hoffmann, B., 2016. Comparison of Land-Use Regression Modeling with Dispersion and Chemistry Transport Modeling to Assign Air Pollution Concentrations within the Ruhr Area. Atmosphere. 7(48), 1-19.

Hosseiniebalam, F. and Ghaffarpasand, O. 2015. The effects of emission sources and meteorological factors on sulphur dioxide concentration of Great Isfahan, Iran. Atmospheric Environment. 100, 94-101.

Jerrett, M., Aram, A., Kanaroglou, P., Beckerman, B., Potoglon, D., Sahsuvaroglu, T., Morrison, J., Giovis, C., 2005. A Review and Evaluation of Intra Urban Air Pollution Exposure Models. Journal of Exposure Analysis and Environmental. 15, 185-204.

Kassomenos, P.A., Kelessis, A., Petrakakis, M., Zoumakis, N., Christidis, T., Paschalidoua, A.K. 2012. Air quality assessment in a heavily polluted urban Mediterranean environment through air quality indices. Ecological Indicators. 18, 259–268.

Khedmatgozar Dolati, S.M., 2011. Land use mapping using the principal component analysis of satellite images in Shafarood area, master thesis, Natural resources faculty of Gilan University.

Lee, M., Brauer, M., Wong, P., Tang, R., Tsui, T. H., Choi, C., Barratt, B. 2017. Land use regression modeling of air pollution in high density high rise cities: A case study in Hong Kong. Science of the Total Environment. 592, 306-315.

Matkan, A.A., Shakiba, A., Pourali, H., Baharlou, I., 2010. The usage of LUR in estimating CO and PM10 pollutants (The case study of Tehran city), Geomatica conference, Tehran, 57-72.

Miller, K.A., Siscovick, D.S., Sheppard, L., Shepherd, K., Sullivan, J.H., Anderson, L., Kaufiman, J.D., 2007. Long term Exposure to Air Pollution and Incidence of Cardiovascular Events in Women. New England Journal of Medicine. 356, 447-458.

Mohammadi, A. and Rahimi, S. 2013. The effect of land use pattern on the spatial distribution of pollutants. research and urban planning. 14, 123-142.

Moore DK, Jerrett M, Mack WJ, Kunzli N. 2007. A Land Use Regression Model for Predicting Ambient Fine Particulate Matter across Los Angeles, Journal of Environmental Monitoring, 9: 246-252

Muttoo, S., Ramsay, L., Brunekreef, B., Beelen, R., Meliefste, K., Naidoo, R. N. 2018. Land use regression modelling estimating nitrogen oxides exposure in industrial south Durban, South Africa. Science of the Total Environment. 610-611, 1439–1447.

Naughton, O., Donnelly, A., Nolan, P., Pilla, F., Misstear, B. D., Broderick, B. 2018. A land use regression model for explaining spatial variation in air pollution levels using a wind sector based approach. Science of the Total Environment. 630, 1324–1334.

Shalaby, A. and Tateishi, R. 2007. Remote sensing and GIS for mapping and monitoring land cover and land-use changes in the Northwestern coastal zone of Egypt. Applied Geography. 27(1), 28-41.

Sahsuvaroglu, T., Arain, A., Kanaroglou, P., Finkelstein, N., Newbold, B., Jerrett, M., Beckerman, B., Brook, J., Finkelstein, M., Gilbert, N.L., 2016. A Land Use Regression Model for Predicting Ambient Concentrations of Nitrogen Dioxide in Hamilton, Ontario, Canada, J. Air & Waste Manage. Assoc. 56:1059–1069.