تعيين تاثير پارامترهاي هواشناسي بر گردشگري كلانشهرها بر مبناي ارائه مدل تركيبي زماني - مكاني پيش بيني آلاينده هاي هوا (مطالعه موردي: شهر تهران)

Determining effect of meteorological parameters on tourism of metropolises based on presenting integrated spatial-temporal predicting model for air pollutants (case study: Tehran)

يكي از مشكلات عمده‌ صنعت گردشگري، مشكلات محيط زيستي مكان‌هاي توريستي و گردشگري است. تهران داراي مكان‌هاي توريستي فراوان است و از طرفي مشكل آلودگي هوا تاثير قابل توجهي بر تعداد گردشگران در اين شهر داشته است. از اين رو، اين پژوهش در راستاي مدل‌سازي، كنترل و مديريت آلودگي هواي شهر تهران انجام شد. بر اساس مدل‌هاي پيشين ارائه شده در بحث آلودگي هوا، امكان پيش بيني همزمان آلاينده بر اساس متغيرهاي مكان و زمان وجود ندارد، و در اين پژوهش، براي نخستين بار به منظور مديريت آلودگي در شهر تهران، مدلي مكاني- زماني ارائه شده است. در اين تحقيق، مدل مكاني در محيط سيستم اطلاعات جغرافيايي براي هر يك از آلاينده‌ها تعريف و بر اساس برنامه‌اي در محيط پايتون، مدلسازي توسط شبكه‌هاي عصبي براي هر يك از آلاينده‌ها در هر نقطه مكاني شهر اجرا گرديد و در هر نقطه و زمان از شهر تهران، امكان پيش بيني غلظت هر آلاينده بوجود آمد. بر اساس اعتبار سنجي مدل حاصل، ميزان خطا قابل قبول بود. بر اساس مدل حاصل مي توان در هر نقطه و در هر زمان ميزان غلظت آلاينده‌هاي هوا را تعيين و بر اساس غلظت حاصل ميزان مطلوبيت شهر براي گردشگران را تخمين زد.

Environmental problems in tourist places is one of the major problems of tourism industry, also air pollution in tourist areas is one of the most important environmental problems. Tehran is capital of Iran and it has plenty of tourist sites. The air pollution has hit the tourism in this city. Therefore, this research was carried out for modeling, control and manage of air pollution in Tehran. Based on the previous models presented for air pollution management, the possibility of simultaneous prediction of pollution based on time and place variables has been less considered. Therefore, in this research, for the first time, a spatial-temporal model for pollution management in Tehran was presented. In this research, the spatial model in the GIS environment for each pollutant was defined. Then, based on a Python program, modeling by neural networks in GIS environment for each pollutant at each arbitrary location of the city was implemented. According to validation of model, error values were acceptable. This research model can predict air pollutants, and therefore tourism desirability of each cities point can be estimated based on air pollutants concentration.