بهبود برآورد ميزان آلودگي هواي شهر تهران

Tehran Air Pollution Estimation Improvement

بسياري از كلان‌شهرهاي ايران به ويژه تهران با مشكل آلودگي هوا مواجه هستند كه بخش عمده اين آلودگي، ناشي از آلاينده PM2.5 مي‌باشد لذا مدلسازي آلودگي هوا امري ضروري براي مديريت محيط زيست مي‌باشد. در اين تحقيق از اطلاعات روزانه ماه‌هاي مختلف سال 1395 توسط حسگرهاي سنجش آلودگي هوا مربوط به شركت كنترل كيفيت شهرداري تهران و سازمان حفاظت محيط زيست براي مدلسازي آلودگي هوا استفاده شده است. ابتدا روش‌هاي مختلف درونيابي زمين آمار نظيركريجينگ و غيرزمين آمار مانند فاصله معكوس وزندار، k نزديكترين همسايه ،چندجمله‌اي محلي و سراسري جت برآورد ميزان آلاينده PM2.5 در نقاطي كه مستقيما ميزان اين آلودگي سنجش نشده استفاده شده است و نتايج با استفاده از روش ارزيابي متقاطع و شاخص خطاي ميانگين كمترين مربعات مقايسه شده‌اند. از بين روش‌هاي فوق كريجينگ بهترين نتيجه را در بر داشته است. سپس با استفاده از روش‌هاي بهينه سازي ژنتيك و ازدحام ذرات، فواصل خوشه بندي روش كريجينگ به دو صورت فواصل منظم و نامنظم بهينه‌سازي شده است كه خطاي فواصل منظم كمتر بوده است. سپس براي تست مدل پيشنهادي، اين مدل براي تمامي ماه‌هاي مختلف سال پياده سازي شده است كه دقت در تمامي ماه‌ها به طور ميانگين 64% نسبت به روش كريجينگ معمولي بهبود يافته است. در نتيجه در اين تحقيق بهترين روش درونيابي براي مدلسازي آلودگي هوا ارائه شده است. از اين روش مي‌توان به عنوان روشي مكمل در مواقعي كه خلاء اطلاعات منابع آلودگي هوا وجود دارد براي تخمين ميزان كيفيت هوا استفاده نمود.

air pollution modeling is essential for environmental management. we attempted to select the optimum interpolation method for modeling air pollution in Tehran using some selected methods and proposed method. For this purpose, different interpolation methods such as inverse distances interpolation, polynomials, K nearest neighbors and various existing kriging methods were employed. Finally, by evaluating all the methods, the optimum interpolation method for air pollution modeling in Tehran was proposed and implemented. Among the above-mentioned methods, Kriging has had the best results. Then, using genetic optimization and particle swarm optimization methods, the clustering intervals of the Kriging method were optimized in both regular and irregular intervals to determine the optimal number of clusters and the distance between the clusters at regular intervals in the conventional methods. A mathematical variogram was used, in the irregular interval method. the same experimental variogram employed and the aim was to minimize the error of each of these methods. Finally, the error of the regular intervals with the optimal cluster numbers and spacing was less than those of all the mentioned methods. To test the proposed model, this model has been implemented for all months of the year (March 2016 – March 2017), with an average %64 accuracy improvement compared to that of the regular kriging method. The least error in the methods for interpolation of air pollution has been at 4 (μg / m3), while an error of 1.8 (μg / m3) in this study was achieved which resulted to the %55 accuracy improvement of the interpolation of air pollution, approximately. As a result, in this research, the best interpolation method has been presented in relation to previous studies for air pollution modeling. the proposed method can be applied as a complementary method for air pollution modeling where information scarcity exists in air pollution contamination.