ارزیابی روش های قطعی و زمین آمار در پهنه بندی غلظت ذرات معلق (PM2.5 و PM10) با استفاده از GIS: مطالعه موردی، شهر سبزوار

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار، گروه مهندسی بهداشت محیط، دانشکده بهداشت، دانشگاه علوم پزشکی گناباد، گناباد، ایران.

2 کارشناسی ارشد، گروه مهندسی بهداشت محیط، دانشکده بهداشت، دانشگاه علوم پزشکی گناباد، گناباد، ایران.

3 دانشیار، گروه علوم و مهندسی محیط زیست، دانشکده علوم محیطی، دانشگاه حکیم سبزواری، سبزوار، ایران. *(مسئول مکاتبات)

4 استادیار، گروه مهندسی محیط زیست، دانشکده محیط زیست، دانشگاه تهران، تهران، ایران.

5 استادیار، گروه آب و هواشناسی و ژئومورفولوژی، دانشکده علوم محیطی، دانشگاه حکیم سبزواری، سبزوار، ایران.

10.22034/jest.2018.22358.3143

چکیده

زمینه و هدف: امروزه زندگی افراد به خاطر آلاینده های متعدد وارد شده به اتمسفر ناشی از اقدامات انسانی و فعالیت های بیولوژیکی در معرض خطر است. از دیدگاه بهداشت عمومی ذرات معلق یکی از آلاینده های اصلی هوا می باشد. هدف از این پژوهش ارزیابی روش های میان­یابی مکانی جهت تعیین غلظت سطحی ذرات معلق PM10و PM2.5 در شهر سبزوار و در نتیجه، انتخاب مناسب ترین روش میان­یابی به منظور تهیه نقشه های پهنه بندی ذرات معلق در محیطGIS  است.
مواد و روش ها: اندازه گیری ذرات معلق PM2.5 و PM10 توسط دستگاه مونیتورینگ گرد و غبار محیطی مدل Haz-Dust EPAM5000، در
 48 ایستگاه سطح شهر انجام شد و پس از اطمینان از صحت آماری آن­ها در محیط نرم افزاری ARC GIS  توسط افزونه زمین آماری در منطقه مورد مطالعه (شهر سبزوار) به روش های کریجینگ (Kriging)، وزن دهی فاصله معکوس (IDW) پهنه بندی و ارزیابی شد. در نهایت با توجه به مقادیر خطایی که هر الگوریتم پس از میان­یابی نشان داد بهترین روش از بین روش های میان­یابی مورد آزمون انتخاب شد.
یافته ها: نتایج حاصل نشان دهنده این بود که بین روش های زمین آمار و قطعی تفاوت چندانی بین روش های قطعی و زمین آمار به لحاظ مقادیر مربع میانگین ریشه دوم (Root Mean Squared (RMS)) و همچنین میانگین قدر مطلق درصد خطا (Mean Absolute Percentage Error (MAPE)) وجود ندارد هر چند که این میزان برای روش های قطعی کم­تر می باشد.
بحث و نتیجه گیری: به نظر می رسد که مناسب­ترین روش میان­یابی برای پهنه بندی غلظت ذرات معلق PM2.5 و PM10 روش قطعی با تابع IDW می باشد.

کلیدواژه‌ها

موضوعات


 

                   

 

                                                             

علوم و تکنولوژی محیط زیست، دورهبیست و یکم، شماره ده، دی ماه 98

ارزیابی روش های قطعی وزمین آمار در پهنه بندی غلظت ذرات معلق

 (PM2.5 و PM10) با استفاده از GIS: مطالعه موردی،شهر سبزوار

 

سید علی سجادی[1]

مهری دلسوز[2]

 قاسم ذوالفقاری[3]*

ghr_zolfaghari@yahoo.com

 محسن میرمحمدی[4]

 حامد ادب[5]

تاریخ دریافت: 28/08/95

تاریخ پذیرش: 10/02/96

چکیده

زمینه و هدف: امروزه زندگی افراد به خاطر آلاینده های متعدد وارد شده به اتمسفر ناشی از اقدامات انسانی و فعالیت های بیولوژیکی در معرض خطر است. از دیدگاه بهداشت عمومی ذرات معلق یکی از آلاینده های اصلی هوا می باشد. هدف از این پژوهش ارزیابی روش های میان­یابی مکانی جهت تعیین غلظت سطحی ذرات معلق PM10و PM2.5 در شهر سبزوار و در نتیجه، انتخاب مناسب ترین روش میان­یابی به منظور تهیه نقشه های پهنه بندی ذرات معلق در محیطGIS  است.

مواد و روش ها: اندازه گیری ذرات معلق PM2.5 و PM10 توسط دستگاه مونیتورینگ گرد و غبار محیطی مدل Haz-Dust EPAM5000، در

 48 ایستگاه سطح شهر انجام شد و پس از اطمینان از صحت آماری آن­ها در محیط نرم افزاری ARC GIS  توسط افزونه زمین آماری در منطقه مورد مطالعه (شهر سبزوار) به روش های کریجینگ (Kriging)، وزن دهی فاصله معکوس (IDW) پهنه بندی و ارزیابی شد. در نهایت با توجه به مقادیر خطایی که هر الگوریتم پس از میان­یابی نشان داد بهترین روش از بین روش های میان­یابی مورد آزمون انتخاب شد.

یافته ها: نتایج حاصل نشان دهنده این بود که بین روش های زمین آمار و قطعی تفاوت چندانی بین روش های قطعی و زمین آمار به لحاظ مقادیر مربع میانگین ریشه دوم (Root Mean Squared (RMS)) و همچنین میانگین قدر مطلق درصد خطا (Mean Absolute Percentage Error (MAPE)) وجود ندارد هر چند که این میزان برای روش های قطعی کم­تر می باشد.

بحث و نتیجه گیری: به نظر می رسد که مناسب­ترین روش میان­یابی برای پهنه بندی غلظت ذرات معلق PM2.5 و PM10 روش قطعی با تابع IDW می باشد.

واژه­های کلیدی: میان­یابی، GIS، ذرات معلق، زمین آمار

 


 

 

J. Env. Sci. Tech., Vol 21, No.10,December, 2019

 

 

 

 


Evaluatin of Deterministic and Geostatistics Methods for Particulate Matter Concentration (PM2.5 and PM10) Zoning Using GIS: case study, Sabzevar City

 

Seyed Ali Sajjadi[6]

Mehri Delsouz[7]

Ghasem Zolfaghari ٭[8]

ghr_zolfaghari@yahoo.com

Mohsen Mir Mohammadi[9]

Hamed Adab[10]

Accepted: 2017.04.30

Received:2016.11.18

Abstract

Background and Objectives: Nowadays, people’s life is at risk because of various pollutants into the atmosphere by human action and biological activities. One of the major air pollutants are particulate matter. The aim of this study was to evaluate spatial interpolation methods to determine the concentration PM2.5 and PM10 in Sabzevar city and select the most suitable interpolation method for preparation of zoning maps particulate matter in GIS.

Materials and Methods: Particulate matter were measured by a monitoring device, environmental dust model Haz-Dust EPAM 5000 at 48 stations in the city, then in ARC GIS software three well-known spatial interpolation techniques, namely Kriging, Inverse Distance Weighting (IDW) were applied for generating the prediction maps. Finally the best interpolation method was chosen according to the values of each algorithm error.

Findings: The results indicated that the RMS was lower between geostatistical and deterministic methods, and the MAPE in deterministic methods was lower.

Discussion and Conclusion: The best interpolation method for the particulate matter (PM2.5 and PM10) was deterministic method by IDW function.

Keywords: Interpolation, GIS, Particulate matter, Geostatistic

 

 

مقدمه

 

امروزه آلاینده های گوناگونی به خاطر اقدامات انسانی و فعالیت های بیولوژیکی وارد هوا شده است و زندگی افراد را دچار مخاطره می کند چرا که این آلاینده ها اثر مستقیم بر سلامت انسان­ها دارند. در سال­های اخیر یکی از آلاینده هایی که بیش­ترین تهدید را در ایران داشته است ذرات معلق بوده است که در این میان ذرات معلق با قطر کم­تر از میکرون 5/2 دارای بیش­ترین روزهای ناسالم در طی سال­های اخیر بوده است (1).  با توجه به اهمیت موضوع در زمان حاضر و با توجه به این که پیش از ایـن، مطالعاتی از این قبیل در کشور به ندرت انجام گرفته است، لـزوم پرداختن به این بحث و شناخت و رفع مشکلات مربـوط بـه آن، بسیار واضح و روشن می باشد(2). مطالعات بهداشتی، ارتباط معناداری بین قرارگرفتن در معرض ریزگردها و مرگ زودرس ناشی از بیماری­های قلبی و ریوی نشان داده اند (3). از دیدگاه بهداشت عمومی ذرات معلق یکی از آلاینده های اصلی هوا می باشد. PM1،PM2.5  وPM10  به ترتیب، به ذرات معلق با قطر آئرودینامیکی کم­تر از 1، 5/2 و 10 میکرون اطلاق می گردد (4). تقریبـاً 40 % ذرات با اندازه بین 1ـ2 میکرون در برونش ها و کیسـه های هـوایی بـاقی می مانند (5). گرد وغبار منجر به تغییرات اقلیم در مقیاس جهانی و محلی و همچنین تغییر در چرخه بیولوژیکی- زمین شناسی و شیمیایی و محیط زیست می گردد(6). اطلاع از وضعیت پراکندگی مکانی آلودگی آلاینده ها در سطح شهر این امکان را به مدیران شهرها می دهد تا با در نظر گرفتن اقداماتی مناسب میزان خطرات را برای مناطق و افراد ریسک پذیر کاهش دهند. از طرفی اندازه گیری غلظت آلاینده ها توسط ایستگاه های سنجش آلودگی در تمام نقاط شهر هزینه بر بوده و توجیه اقتصادی ندارد. همچنین اطلاعات حاصل از اندازه گیری های ایستگاهی، به­صورت نقطه ای بوده و برای یک منطقه نسبتا کوچک اطراف ایستگاه می باشد که این امر مانع تحقیقات دقیق در حوزه آلودگی هوا و اثرات آن بر انسان و محیط زیست می شود. ضرورت ایجاب می کند این اطلاعات اندازه گیری شده در ایستگاه ها برای تحلیل های منطقه ای به کل منطقه مورد مطالعه تعمیم داده شوند و توزیع آن­ها در پهنه شهر ترسیم شود (7). بنابراین استفاده از روش هایی برای نقشه کردن  آلاینده های اندازه گیری شده، برای مناطق با وسعت بیش­تر و هزینه پایین تر و با دقت و سرعت بیش­تر احساس می شود، در همین راستا روش های مختلف میان­یابی در سیستم اطلاعات جغرافیایی (Geographic Information System (GIS)) می توانند ابزار مفیدی باشند. روش تخمین و برآورد میزان متغیر پیوسته را در مناطق نمونه گیری نشده در داخل ناحیه ای که مشاهدات نقطه ای پراکنده شده اند، میان­یابی می­گویند (8). تکنیک های میان­یابی به دو شیوه کلی انجام می شود. روش اول، روش قطعی(Deterministic)  نامیده می شود مانند روش وزن دهی فاصله معکوس (Inverse Distance Weighting (IDW) که در این شیوه میان­یابی بر اساس تعیین سطح از نقاط نمونه گیری شده و بر پایه شباهت ها بر معکوس فاصله انجام می شود. تابع پایه شعاعی (Radial Basis Functions (RBF)) نیز یک روش قطعی است. روش دوم میان­یابی، زمین آماری (Geostatistic) است که شامل کریجینگ (Kriging) می شود و بر اساس ویژگی های آماری نقاط نمونه گیری شده در فواصل مختلف می باشد. تکنیک های میان­یابی زمین آماری کمیت همبستگی مکانی نقاط نمونه برداری شده را مد نظر قرار داده و تخمین را بر اساس موقعیت قرار گیری مکان نمونه های اندازه گیری نشده انجام می دهد (9). در زمین آمار، ابزاری که همبستگی مکانی بین مقادیر یک متغیر در یک ناحیه را بررسی می نماید، نیم تغییر نما نام دارد که نمودار واریانس بر مبنای فاصله بین نمونه هاست. در واقع نیم­تغییر نمای ساختار ارتباط مکانی بین نمونه ها را نشان می دهد (10). بررسی ها بر روی اثرات ذراتPM2.5  وPM1  به همراه شمارش ذرات در هوای شهر هلسینکی نشان داد که PM2.5 موثرترین شاخص آلودگی ذرات معلق در هوای شهری می باشد که ارتباط معنی دارتری با بیماری های تنفسی و قلبی- عروقی دارد (11). Fathetabar firuzjani و همکاران برای پهنه بندی آلاینده های هوا با استفاده از مدل­های آماری و تکنیکGIS  داده های مربوط به آلاینده های PM10،O3  و CO شهر تهران را برای سال 1388 با استفاده از روش­های کریجینگ ساده در حالت های مختلف واریوگرام و روش اسپلاین برای فصول مختلف سال مورد ارزیابی قرار داده اند (12). Kumar و همکاران به منظور مدل­سازی مکانی سه آلاینده SPM، SO2  وNO2  برای محیط بندر بلر در هند دو مدل معکوس فاصله وزن دار و کریجینگ را مورد آزمون قرار دادند. برای مقایسه مقادیر میان­یابی شده از سه پارامتر میانگین خطای مطلق، ریشه دوم میانگین مربع خطا و ضریب همبستگی استفاده کرده اند. داده های مورد استفاده برای پارامترها مورد تایید مرکز کنترل آلودگی هند بوده است. پس از مقایسه مقادیر اندازه گیری شده و میان­یابی شده مشخص گردید که مدلIDW  به نسبت کریجینگ از تشابه بیش­تری برای هر سه آلاینده مورد­نظر برخوردار است. برای مدلIDW  به نسبت کریجینگ مقادیر میانگین خطای مطلق و ریشه دوم میانگین مربع خطا پایین و مقدارضریب همبستگی بالاتر است که نشان دهنده تشابه بهتر بین مقادیر مشاهده شده و تخمین زده شده می­باشد (13).

بنابراین با توجه به آن­چه مطرح شد و با توجه به این موضوع که تا­کنون هیچ اطلاعاتی از مقادیر ذرات معلق در هوای شهر سبزوار وجود ندارد، هدف از این پژوهش ارزیابی روش های میان­یابی مکانی جهت تعیین غلظت سطحی ذرات معلق PM10و PM2.5 در شهر سبزوار و در نتیجه، انتخاب مناسب­ترین روش میان­یابی به منظور تهیه نقشه های پهنه بندی ذرات معلق در محیطGIS  است. با رسیدن به این هدف، می توان در هزینه ها و وقت برای برداشت و نمونه برداری انواع مختلف آلاینده ها صرفه جویی کرد و با داشتن چند نمونه محدود در کوتاه ترین زمان غلظت آلاینده ها را در سطح شهر با دقت بالا بدست آورد.

معرفی منطقه

شهرستان سبزوار دارای آب و هوایی نیمه بیابانی و بیابانی است، و در حاشیه کویر مرکزی ایران قرار گرفته است. شهرستان سبزوار که در طول جغرافیایی 57 درجه و 43 دقیقه و عرض جغرافیایی آن 36 درجه و 12 دقیقه قرار دارد توسط دو رشته کوه شمالی طبس و رشته کوه جنوبی کوه­میش احاطه شده است. ارتفاع  آن از سطح دریا 950 متر و میزان متوسط بارندگی سالانه 330میلی­متر و میانگین رطوبتی 43 درصد و جهت باد عموما شرق به غرب است. شهر سبزوار طبق سرشماری سال 1395 مرکز آمار ایران 319893 نفر جمعیت و 23 کیلو متر مربع مساحت دارد که به لحاظ جمعیت، سومین شهر استان خراسان رضوی و سی امین شهرستان بزرگ کشور می باشد. در شکل 1 نقشه سبزوار و محل ایستگاه های نمونه برداری ذراتPM2.5  وPM10  مشخص شده است.

 

 

                         

ایران

خراسان رضوی

سبزوار

مشهد

N

راهنما

ایستگاه

خیابان

A

B

C

 

شکل1- موقعیت جغرافیایی مناطقی که نمونه ها جمع آوری شده­اند.

Figure 1- Geographical situation of areas in which the samples were collected.

 

روش کار

داده های میدانی

 

در این پژوهش از داده های برداشت شده از 48 نقطه شهر سبزوار که به­طور میانگین در طی شش ماه در دوره گرم و پر مخاطره از نظر ذرات معلق به ثبت رسیده است استفاده شد. این نقاط به صورت پراکنده از تمام نقاط شهر (مسکونی، پر ترافیک، کم ترافیک، تجاری) انتخاب شدند. فرآیند نمونه گیری ذرات معلق بر پایه رهنمودهای آژانس حفاظت محیط زیست آمریکا (Environmental Protection Agency (EPA)) صورت گرفت. ایستگاه های نمونه برداری در سطح شهر سبزوار مطابق با استاندارد EPA برای سنجش آلودگی هوا انتخاب گردید. محل استقرار دستگاه اندازه گیری طبق استاندارد EPA، در فاصـله 20 سانتی متری از تقاطع ها، و در ارتفـاع 3-5/1 متری زمین بود. اندازه گیری ذرات معلق PM2.5، PM10 توسط دستگاه مونیتورینگ گرد و غبار محیطی مدل Haz-Dust EPAM5000 انجام شد. موقعیت نقاط مورد نظر با استفاده از دستگاه سیستم موقعیت یاب ماهواره ای (Global Positioning System (GPS)) با سیستم تصویر یو تی ام نیز ثبت گردید.

روش های میان­یابی

به­طور کلی روش های میان­یابی به دو دسته کلی قطعی و زمین آمار تقسیم بندی می شود. روش­های قطعی برای میان یابی، فقط از توابع ریاضی استفاده می نمایند که شامل میان­یابی چند جمله ای جهانی (Global Polynomial Interpolatin (GPI))، میان­یابی چند جمله­ای محلی (Local Polynomial Interpolatin (LPI))، وزن دهی فاصله معکوس، و تابع پایه شعاعی می شود. روش های میان­یابی زمین آمار شامل کریجینگ عادی (Ordinary Kriging (OK))، کریجینگ ساده (Simple Kriging (SK)) و کریجینگ عمومی (Universal Kriging(UK))، بر مبنای تئوری متغیرات ناحیه ای پایه گذاری شده اند و به توابع ریاضی و آمار متکی هستند. این روش ها از مدل واریوگرام برای توصیف پیوستگی فضایی داده های ورودی و تخمین مقدار مکان های اندازه گیری نشده استفاده می کنند.

ویژگی­های متغیر نمایی

 هدف اصلی از محاسبه متغیر نمایی، شناخت تغییرپذیری متغیر نسبت به فاصله مکانی یا زمانی است. برای این کار لازم است مجموع مربع تفاضل زوج نقاطی که به فاصله معلومh  از یکدیگر قرار دارند محاسبه و در مقابلh  رسم گردد (16). هر تغییر نما دارای چند عامل مهم است: الف- دامنة تأثیر: فاصله ای که در آن، متغیر نمای به حد ثابتی می رسد و به حالت خط افقی نزدیک می شود، دامنه یا شعاع تأثیر نامیده می شود (شکل 2) (16). ب- سقف یا آستانة متغیر نمای: به مقدار ثابتی که متغیر نمای در دامنه تأثیر به آن می رسد، آستانه گفته می شود. مقدار آستانه برابر با واریانس کل تمام نمونه هایی است که در محاسبه تغییر نما استفاده شده اند. ج- اثر قطعه ای: مقدار متغیر نمای در مبدأ مختصات، یعنی به­ازای0= h را اثر قطعه ای (C) می نامند (شکل 2). در حالت بهینه مقدار C باید صفر باشد، اما در بیش­تر مواقع بزرگ­تر از صفر است. در این حالت جزء تصادفی، یا غیر ساختاردار متغیر ظاهر می شود (16). نسبت اثر قطعه ای به آستانه تأثیر، شاخصی از قدرت ساختار مکانی در متغیرها است. چنان­چه این نسبت کم­تر از 25/0 گردد، نشان دهنده همبستگی مکانی قوی است. اگر این نسبت بین 25/0 تا 75/0 قرار گیرد، بیان­گر همبستگی مکانی متوسط و چنان­چه این نسبت بزرگ­تر از 75/0 گردد، نشان دهنده وابستگی مکانی ضعیف است. همبستگی قوی مکانی به این معنی است که در دامنه تأثیر می توان متغیر مورد نظر را تخمین زد (17).

 

 

 

 

واریانس فضایی

مدل برازش داده شده

آستانه

 

اثر قطعه ای

           فاصله موثر

فاصله

سمی واریانس

شکل 2- متغیر نمای و عامل های آن.

Figure 2- Semivariogram and its factors.

 


روش های ارزیابی خطاهای میان­یابی

 

 به منظور انتخاب روش مناسب میان­یابی، از روش ارزیابی متقابل استفاده شده است. در این روش، در هر مرحله یک نقطه مشاهده ای حذف شده و با استفاده از سایر نقاط مشاهده ای، آن نقطه برآورد می گردد این کار برای تمامی نقاط مشاهده ای تکرار می شود، به گونه ای که در آخر به تعداد نقاط مشاهده ای، برآورد وجود خواهد داشت و در پایان با داشتن مقادیر واقعی و برآورد شده می توان خطا و انحراف روش استفاده شده را برآورد کرد. به طور کلی به منظور ارزیابی و صحت سنجی داده های پیش بینی شده از معیارهای شاخص میانگین قدر مطلق درصد خطا Mean Absolute) (Percentage Error (MAPE) ، مربع میانگین ریشه دوم (Root Mean Squared (RMS)) و ریشه دوم میانگین مربع استاندارد (Root Mean Squared Standard (RMSS))  استفاده می گردد. پس از استخراج و مطمئن بودن از صحت آماری ذرات معلق PM2.5  وPM10 ،  با استفاده از روش های آماری دسته بندی و در محیط افزاریGIS  ARC توسط افزونه زمین آماری در منطقه مورد مطالعه (شهر سبزوار) به روش­های میان­یابی شامل کریجینگ معمولی و کریجینگ جهانی و روش های قطعی شامل وزن دهی فاصله معکوس و شعاعی اسپیلان میان­یابی، پهنه بندی و ارزیابی شد و در نهایت با توجه به مقادیر خطایی که هر الگوریتم پس از میان­یابی نشان داد بهترین روش میان­یابی مورد آزمون انتخاب شد. روش های میان­یابی مورد اشاره، برای تولید سطوح آلایندگی در صورتی که داده های ایستگاه های سنجش دارای توزیع نرمال باشند، بهترین نتیجه را خواهد داشت. چنانچه داده ها اریب باشند باید از تبدیلاتی به منظور نرمال نمودن داده ها استفاده نمود. بنابراین درک توزیع داده­ها قبل از تولید سطح بسیار مهم خواهد بود (18). اگر پراکندگی داده ها نرمال نباشد داده ها را با روش هایی مانند " Box-Cox "  می توان نرمال کرد.

 

نتایج

در این مطالعه، برای ذرات معلق با استفاده از توابع میان­یابی به روش های زمین آماری و قطعی نقشه هایی تهیه شده است. در انواع روش های قطعی با افزایش فاصله از نقاط نمونه آلایندگی، میزان آلودگی کاهش می یابد (9). در روش زمین آمار فرض بر این است که فاصله و جهت بین نقاط نمونه برداری آلاینده ها در محدوده هر ایستگاه سنجش، بر روی همبستگی مکانی تأثیر می گذارد (19). ارزیابی دقت هر کدام از روش ها نیازمند بررسی مقادیری مانند MAPE، RMS ، RMSS  است، که به ازای مقادیر مختلف این مقادیر نیز متفاوت خواهند بود. ابتدا باید از نرمال بودن توزیع داده اطمینان حاصل گردد. برای نمایش نرمال بودن داده ها از نمودارQ-Q PLOT  استفاده شده است. در این روش داده های اولیه نرمال نبودند که با استفاده از روش Box-Cox و با ضریب 6/0 برای داده های PM2.5 و ضریب 1/0 برای داده های PM10 تا حدودی نرمال شدند. با توجه به شکل 3 کلیه نقاط حول یک خط راست برازش یافته اند که این مسأله، نشان دهنده نرمال بودن داده های اندازه گیری است.

 

 

 

 

شکل 3- نمودار Q-Q PLOT برای PM2.5  وPM10.

Figure 3- Q-Q PLOT for PM2.5 and PM10.

 

 

 

طی مدت نمونه برداری از 48 ایستگاه سطح شهر، بیش­ترین و کم­ترین غلظت برداشت شده برای ذرات معلق PM2.5مقدار 500 میکروگرم بر متر مکعب و 10 میکروگرم بر متر مکعب و برای ذرات معلق PM10 مقدار1500 میکروگرم بر متر مکعب و 20 میکروگرم بر متر مکعب بود. بنابر مصوبه شورای عالی حفاظت محیط زیست و گزارش شرکت کنترل کیفیت تهران حد استاندارد غلظت 24 ساعته ذرات معلق در ایران برای PM2.5 برابر 35 میکروگرم بر متر مکعب و برای PM10 برابر با 154 میکروگرم بر متر مکعب می باشد. همچنین استاندارد سالانه ذرات معلق برای PM2.5برابر 10 میکروگرم بر متر مکعب و برای PM10 برابر با 20 میکروگرم بر متر مکعب می باشد. در ادامه لایه پهنه بندی غلظت ذرات معلقPM2.5  وPM10 ، با استفاده از توابع میان­یابی با استفاده از روش های  قطعی (IDW) و زمین آمار(OK) تهیه شد. با نگاهی به نقشه های حاصل از این روش (اشکال شماره 4 و 5) مشاهده می شود بیش­ترین آلودگی برای ذرات معلق در نواحی شرقی شهر سبزوار است که این می تواند ناشی از باد غالب سبزوار که از سمت شرق می وزد باشد.

 

 

39.9-45

45.1-48.4

Station

48.5-50.7

50.8-52.2

54.9-57.1

65.8-73.3

ب

60.7-65.7

57.2-60.6

53.4-54.8

52.3-53.3

Ordinary Kriging J-Bessel

PM2.5 ( )

42-48.3

58.8-65.1

65.2-78

51.6-53.1

Station

48.4-51.5

54-55.5

55.6-58.7

78.1-104

28.9-41.9

53.2-53.9

الف

Inverse Distance Weighting

PM2.5 ( )

شکل 4-  الف) پهنه آلودگی ذرات معلق PM2.5 با روش IDW و ب) پهنه آلودگی ذرات معلق PM2.5

با روشOrdinary Kriging J-Bessel.

Figure 4- a) Map of PM2.5 concentrations estimated by IDW, b) Map of PM2.5 concentrations estimated byOK, J-Bessel.

 

Station

94.9-104

109-111

105-108

112-112

116-120

113-115

121-128

ب

146-175

120-145

78.5-94.8

 Ordinary Kriging Stable

PM10 ( )

65.2-93.1

93.2-104

114-117

118-129

110-110

Station

105-109

111-111

112-113

130-157

158-227

الف

Inverse Distance Weighting

PM10 ( )

شکل 5-  الف) پهنه آلودگی ذرات معلق PM10با روش IDW و ب) پهنه آلودگی ذرات معلق PM10 با

روشOrdinary Kriging Stable.

Figure 5- a) Map of PM10 concentrations estimated by IDW, b) Map of PM10 concentrations estimated by OK, Satable.

 

 

در قسمت جنوب غرب هم آلودگی دیده می شود که با توجه با مطالعات مشابه روی بررسی غلظت ذرات معلق ناشی از ترافیک (20) می تواند ناشی از تردد زیاد وسایل نقیله سنگین و سبک در این محور، که ورودی شهر سبزوار است، باشد. مقدارRMS  و RMSS کم­تر برای هر یک از روش های میان­یابی، بیان­گر بهینه بودن آن روش میان­یابی می باشد. پارامتر دیگر مقایسه MAPE است، که هرچه این ضریب به صفر نزدیک تر باشد نشان دهنده کم­تر بودن تعداد خطاهای بزرگ در پیش بینی برای هر مدل است. به طور کلی هر چه میزان خطاهای تخمین زده شده کم­تر باشد، روش میان­یابی مذکور به منظور تهیه نقشه های پهنه بندی ذرات معلق مناسب تر است. در جداول شماره 1و 2 به ترتیب مقایسه مقادیر MAPE، RMS ، RMSS  برای هریک از دو روش برای ذرات معلق PM10 و PM2.5 را ارایه می دهند. نتایج حاصل از جدول های 1 و 2 نشان دهنده این است که بین روش های زمین آمار و قطعی تفاوت چندانی برای مقادیر RMS قائل نشده است، هر چند که میزان این پارمتر ها در روش قطعی کم­تر می باشد. میزان MAPE نیز در روش های قطعی کم­تر است که نشان دهنده خطای کم­تر این روش در پیش بینی مدل  می­باشد. بنابراین با توجه به نتایج ارائه شده در جدول های 1 و 2 و نقشه های پهنه بندی شده، بهترین روش میان­یابی برای هر یک از ذرات معلق PM10و PM2.5 روش قطعی با تابع  IDW انتخاب گردید.

 

 

جدول 1- مقایسه روش های میان یابی با استفاده از MAPE،RMS،وRMSE (PM2.5).

Table 1- Comparisonof the interpolation methods using MAPE, RMS, and RMSE (PM2.5).

روش ارزیابی

MAPE

RMS

RMSS

Deterministic methods

IDW

Power 1

89/25

0371/0

-

Power 2

51/26

0374/0

-

Radial Basis Functions

-

41/26

0372/0

-

Geostatistical methods

Ordinary Kriging

Stable

19/27

038/0

27/1

Hole effect

54/27

0381/0

29/1

J-Bessel

43/27

038/0

28/1

Guassian

26/27

0383/0

27/1

Universal Kriging

Stable

45/35

04/0

18/0

Hole effect

95/35

04/0

18/0

J-Bessel

06/36

04/0

18/0

Guassian

64/35

04/0

18/0

 

جدول 2- مقایسه روش های میان یابی با استفاده از MAPE، RMS، و RMSE  (PM10).

Table 2- Comparison of the interpolation methods using MAPE, RMS, and RMSE (PM10).

 

روش ارزیابی

MAPE

RMS

RMSS

Deterministic methods

IDW

Power 1

05/41

023/0

-

Power 2

09/42

0239/0

-

Radial Basis Functions

-

55/42

0237/0

-

Geostatistical methods

Ordinary Kriging

Stable

16/44

024/0

26/1

Hole effect

22/44

0243/0

27/1

J-Bessel

10/44

0242/0

28/1

Guassian

16/44

0241/0

26/1

Universal Kriging

Stable

80/43

0241/0

38/0

Hole effect

85/43

0244/0

39/0

J-Bessel

74/43

0242/0

39/0

Guassian

80/43

0241/0

38/0

 

 

 

بحث و نتیجه گیری

 

نتایج حاصل از این پژوهش نشان داد که ویژگی های مورد بررسی دارای چولگی بالایی بودند که با بهره گیری از Box-Cox، داده ها تا حد زیادی نرمال شدند و بعد از نرمال سازی داده ها، بهترین روش میان­یابی برای هر یک از پارامترها به دست آمد. همچنین بهترین روش های میان­یابی برای هر یک از پارامترهای کیفی، انواع روش های قطعی بود. دلیل این امر این است که مقدار خطاهای تخمین زده شده، کم­تر از سایر روش ها بود.

فتح تبار فیروز جایی و همکاران نیز در مطالعه خود با برای پهنه بندی آلاینده های هوا با استفاده از مدلهای آماری و تکنیک GIS  داده های مربوط به آلاینده های PM10،O3  و CO شهر تهران از روش های کریجینگ و روش اسپیلاین برای فصول مختلف سال استفاده کرد؛ در این مطالعه استفاده از روش های اسپیلان به روش های کریجینگ ترجیح داده شد (12). مطالعه حاضر، با مطالعه Mirmousavi و همکار که به مطالعه کاربرد روش های زمین آمار در برآورد توزیع مکانی
بارش استان کرمان پرداخته و کاربرد روش های کریجینگ در میان­یابی بارش در این استان مناسب اعلام نکرد (21)، مطابقت دارد. مطالعه کنونی با مطالعه Momeni Damaneh مطابقت ندارد به گونه ای که مومنی در پژوهش خود با عنوان ارزیابی روش­های میان­یابی جهت تعیین تغییرات مکانی پارامترهای کیفی آب زیرزمینی، روش­های مختلف میان­یابی از جمله روش وزن دهی معکوس فاصله و کریجینگ با توابع مختلفی از جمله نمایی، کروی و معمولی برای هر پارامترکیفی آب به­طور جداگانه تست و بر اساس فاکتورهایی از جمله خطای بایاس میانگین، خطای مربع میانگین، خطای قدر مطلق میانگین و خطای مجذور میانگین استاندارد شده ارزیابی نمود. نتایج مومنی نشان داد در دو روش کریجینگ کروی و نمایی مقادیر MAE وMBE  در مورد اکثر پارامترهای استفاده شده نزدیک به هم؛ و مقادیر خطا در روش وزن دهی معکوس فاصله در اکثر مواقع از هر دو روش کریجینگ بالاتر بود. دقت هر دو روش وزن دهی معکوس فاصله و کریجینگ قابل قبول بوده اما روش کریجینگ در مجموع دارای دقت بالاتری هست (22) همچنین نتایج این مطالعه با مطالعات Sadeqi Aqdam و همکاران (23)، Tombette و همکاران (24) نا همسو و با نتایج تحقیقات، Norazian و همکاران (25) و Shad و همکاران (9) همسو می باشد. با توجه به مطالعه حاضر و مطالعات مشابه به نظر می رسد مناسب­ترین روش میان­یابی برای پهنه بندی غلظت ذرات معلق PM2.5 و PM10 روش قطعی با تابع IDW می باشد. دلیل این امر این است که مقدار خطاهای تخمین زده شده، کم­تر از سایر روش ها است. در انتها پیشنهاد می شود پایش های دوره ای غلظت ذرات معلق در سطح شهر سبزوار صورت گیرد در این راستا می توان  حداقل یک ایستگاه پایش ذرات معلق در سطح شهر نصب کرد که روند تغییرات غلظت ذرات معلق ثبت شود تا بتوان تصمیمات مدیریتی بهتری اتخاذ کرد. پوشش های جنگلی کویرهای اطراف سبزوار برای مقابله با گرد و غبار تقویت گردد و همچنین کنترل ذرات گرد و غبار در مرکز ساخت و سازها صورت گیرد.

 

تشکر و قدردانی

نویسندگان مقاله بر خود لازم می دانند از تمامی کسانی که در زمینه جمع آوری اطلاعات تلاش کردند تشکر نمایند. همچنین از سرکار خانم مهندس اکبری به دلیل همکاری های بی دریغ شان در زمینه نرم افزارGIS  تشکر و قدردانی می شود. به علاوه از دانشگاه علوم پزشکی گناباد و دانشگاه حکیم سبزواری قدردانی می گردد.

 

منابع

  1. Burnham, P., Anderson, R., 2004. Multimodel inference understanding AIC and BIC in model selection. Sociological Methods and Research, Vol. 33,  pp. 261 -304.
  2. Qorbani Salkhord, R., Mobasheri, M.R., Rahimzadehgan, M., 2012. A fast method for assessment of PM10 concentration using MODIS images, a case study in Tehran. Hakim Research Journal, Vol. 15(2), pp. 166-177. (In Persian)
  3. Data and Research Unit. Annual report of air quality of Tehran in 2012. Air Quality Control Company, technical report.
  4. Keynejad, M., Ebrahimi, S., 1998. Environmental Engineering. Sahand University of Technology. (In Persian)
  5. Rogge, W., Determination of key organic compounds in the particulate matter amission from air pollution sources. California Institute of Technology, Research Note 1994. Available From:URL:http://www.ard.ca.gov. Accessed Dec 25, 2008.
  6. Naddafi, K., 2009. Air pollution with emphasis on dusts and their health and environmental impacts. 12th National Confrance on Environmental Health, Tehran, Iran. (In Persian)
  7. Bahari, R.A., Abaspour, R.A., Pahlavani, P., 2016. Zoning of particulate matters (PM) pollution using local statistical models in GIS (case study: Tehran metropolisies). Journal of Geomatics Science and Technology, Vol. 5(3), pp. 165-174. (In Persian)
  8. Ghahroudi, M., 2005. Geographic Information System (GIS). Tarbiyat moalem Jahadedaneshgahi Publication. (In Persian)
  9. Shad, R., Ashoori, H., Afshari, N., 2008. Evaluation of optimum methods for predicting pollution concentration in GIS environment. International archives of the photogrammetry, Remote Sensing and Spatial Information Sciences, Vol 17, pp. 315-320.
  10. Webster, R., Oliver, M.A., 2000. Geostatistics for Environmental Scientists. Wiley Press, 271 p.
  11. Timonen, K., Tiittanen, P., Penttinen, P., 1997. Effects of fine and ultrafine particles on respiratory and cardiovascular health. Finish Research Programme on Environmental Health. (available at http://www.ktl.fi/sytty/ abstracts/ pekka1 htm).
  12. Fathtabar Firouz Jani, S., Alesheikh A., Rangzan K., Chinipardaz R., 2011. Air pollution zoning using geostatistics methods and GIS: case study, Tehran. 5th National Conference on Environmental Engineering, Hamedan, Iran. (In Persian)
  13. Kumar, D., Sabesan, M., Das, A., 2011.Evaluation of interpolation technique for air quality parameters in Port Blair, India. Universal Journal of Environmental Research and Technology, Vol. 3, pp. 301 -10.
  14. Asakereh, H., 2008. Kriging application in climatic element interpolation, a case study: Iran precipitation in 1996.12.16. Geqgraphy and Development Journal. Vol. 6, pp. 25-42. (In Persian)
  15. Nadiri, A., Shakour, S., Asgharimoghadam, A., Vadiati, M., 2017. Investigation of groundwater nitrate pollution with different interpolation methods (case study: East Azarbayjan, Bilverdy plain). Journal of Hydrogeomorphology, Vol. 1, pp. 75-92. (In Persian)
  16. Hasanipak, A., 1998. Earth Statitis (Geostatitial): Tehran University. (In Persian)
  17. Ayobi, S., Hosseinalizadeh, M., 2007. Assessment spatil variability of soil erodibility by using of geostatiti and GIS (case study, Mehr watershed of Sabzevar). Iranian Journal of Natural Resources, Vol. 60(2), pp. 369 – 82. (In Persian)
  18. 18-. Nasrollahi, Z., Ghaffari, M., 2010. Air pollution and its determinants (The case study of SPM, and SO2 emissions in Iran manufacturing industries). Journal of the Economic Research, Vol. 10(3), pp. 75-95.
  19. Hadipoor, M., Poorebrahim, S.H., 2011. Locating residential land use in urban transportation planning by the application of GIS and mathematical emission modeling of air pollution. Journal of Environmental Studies, Vol 37, 135-149.
  20. Mansouri, N., Esmaealzadeh, J., 2011. Investigating suspended particles resulted from Tehran`s highways traffic. Journal of Traffic Engineering, Vol. 44. (In Persian)
  21. Mirmousavi, S.H., Mirain, M., 2012. The application of geostatistics methods in temporal precipitation distribution (Case study: Kerman Province). Journal of Geography and Planning, Vol 16, pp. 153-178.
  22. Momeni Damaneh, J., Joulaei, F., Alidadi, H., Peiravi, R., 2015. Evaluatin of interpolatin methods to determine spatil variatins of groundwater Quali-tatie parameters (Case study: Gonabad plain). Iranian Journal of Research in Environmental Health, Vol. 1(3), pp. 165-176. (In Persian)
  23. Sadeqi Aqdam, F., Asqari Moqadam, A., Nadiri, A., 2015. An evaluation of temporal and spatial variation of arsenic anomalies in water resources of sahand dam using statistical methods. International Bulletin of Water Resources and Development, Vol. 2, pp. 11-23. (In Persian)
  24. Tombette, M., Mallet, V., Sportisse, B., 2009. PM 10 data assimilation over Europe with the optimal interpolation method. Atmos. Chem. Phys, Vol. 9, pp. 57–70.
  25. Norazian, M.N., Shukri, Y.A., Azam, N.R., 2008.Estimation of missing values in air pollution data using single imputation techniques. ScienceAsia, Vol.34, pp. 341-45.

 

 



[1]   -دانشیار، گروه مهندسی بهداشت محیط، دانشکده بهداشت، دانشگاه علوم پزشکی گناباد، گناباد، ایران.

[2]   -کارشناسی ارشد، گروه مهندسی بهداشت محیط، دانشکده بهداشت، دانشگاه علوم پزشکی گناباد، گناباد، ایران.

[3]  - دانشیار، گروه علوم و مهندسی محیط زیست، دانشکده علوم محیطی، دانشگاه حکیم سبزواری، سبزوار، ایران. *(مسئول مکاتبات)

[4]   -استادیار، گروه مهندسی محیط زیست، دانشکده محیط زیست، دانشگاه تهران، تهران، ایران.

[5]   -استادیار، گروه آب و هواشناسی و ژئومورفولوژی، دانشکده علوم محیطی، دانشگاه حکیم سبزواری، سبزوار، ایران.    

1- Associate Professor, Department of Environmental Health Engineering, Faculty of Health, Gonabad University of Medical Sciences, Gonabad, Iran.

[7]- Department of Environmental Health Engineering, Faculty of Health, Gonabad University of Medical Sciences, Gonabad, Iran.

[8] - Associate Professor, Department of Environmental Technology, Faculty of Environmental Sciences, Hakim Sabzevari University, Khorasan -e- Razavi, Sabzevar, P.O. Box: 397, Iran. *(Corresponding Author)

[9]- Assesistant Professor, Department of Environmental Engineering, Faculty of Environment, Tehran University, Tehran, Iran.

[10] -Assesistant Professor, Department of Climatology and Geomorphology, Faculty of Geography and Environmental Sciences, Hakim

Sabzevari University, Sabzevar, Iran.

  1. Burnham, P., Anderson, R., 2004. Multimodel inference understanding AIC and BIC in model selection. Sociological Methods and Research, Vol. 33,  pp. 261 -304.
  2. Qorbani Salkhord, R., Mobasheri, M.R., Rahimzadehgan, M., 2012. A fast method for assessment of PM10 concentration using MODIS images, a case study in Tehran. Hakim Research Journal, Vol. 15(2), pp. 166-177. (In Persian)
  3. Data and Research Unit. Annual report of air quality of Tehran in 2012. Air Quality Control Company, technical report.
  4. Keynejad, M., Ebrahimi, S., 1998. Environmental Engineering. Sahand University of Technology. (In Persian)
  5. Rogge, W., Determination of key organic compounds in the particulate matter amission from air pollution sources. California Institute of Technology, Research Note 1994. Available From:URL:http://www.ard.ca.gov. Accessed Dec 25, 2008.
  6. Naddafi, K., 2009. Air pollution with emphasis on dusts and their health and environmental impacts. 12th National Confrance on Environmental Health, Tehran, Iran. (In Persian)
  7. Bahari, R.A., Abaspour, R.A., Pahlavani, P., 2016. Zoning of particulate matters (PM) pollution using local statistical models in GIS (case study: Tehran metropolisies). Journal of Geomatics Science and Technology, Vol. 5(3), pp. 165-174. (In Persian)
  8. Ghahroudi, M., 2005. Geographic Information System (GIS). Tarbiyat moalem Jahadedaneshgahi Publication. (In Persian)
  9. Shad, R., Ashoori, H., Afshari, N., 2008. Evaluation of optimum methods for predicting pollution concentration in GIS environment. International archives of the photogrammetry, Remote Sensing and Spatial Information Sciences, Vol 17, pp. 315-320.
  10. Webster, R., Oliver, M.A., 2000. Geostatistics for Environmental Scientists. Wiley Press, 271 p.
  11. Timonen, K., Tiittanen, P., Penttinen, P., 1997. Effects of fine and ultrafine particles on respiratory and cardiovascular health. Finish Research Programme on Environmental Health. (available at http://www.ktl.fi/sytty/ abstracts/ pekka1 htm).
  12. Fathtabar Firouz Jani, S., Alesheikh A., Rangzan K., Chinipardaz R., 2011. Air pollution zoning using geostatistics methods and GIS: case study, Tehran. 5th National Conference on Environmental Engineering, Hamedan, Iran. (In Persian)
  13. Kumar, D., Sabesan, M., Das, A., 2011.Evaluation of interpolation technique for air quality parameters in Port Blair, India. Universal Journal of Environmental Research and Technology, Vol. 3, pp. 301 -10.
  14. Asakereh, H., 2008. Kriging application in climatic element interpolation, a case study: Iran precipitation in 1996.12.16. Geqgraphy and Development Journal. Vol. 6, pp. 25-42. (In Persian)
  15. Nadiri, A., Shakour, S., Asgharimoghadam, A., Vadiati, M., 2017. Investigation of groundwater nitrate pollution with different interpolation methods (case study: East Azarbayjan, Bilverdy plain). Journal of Hydrogeomorphology, Vol. 1, pp. 75-92. (In Persian)
  16. Hasanipak, A., 1998. Earth Statitis (Geostatitial): Tehran University. (In Persian)
  17. Ayobi, S., Hosseinalizadeh, M., 2007. Assessment spatil variability of soil erodibility by using of geostatiti and GIS (case study, Mehr watershed of Sabzevar). Iranian Journal of Natural Resources, Vol. 60(2), pp. 369 – 82. (In Persian)
  18. 18-. Nasrollahi, Z., Ghaffari, M., 2010. Air pollution and its determinants (The case study of SPM, and SO2 emissions in Iran manufacturing industries). Journal of the Economic Research, Vol. 10(3), pp. 75-95.
  19. Hadipoor, M., Poorebrahim, S.H., 2011. Locating residential land use in urban transportation planning by the application of GIS and mathematical emission modeling of air pollution. Journal of Environmental Studies, Vol 37, 135-149.
  20. Mansouri, N., Esmaealzadeh, J., 2011. Investigating suspended particles resulted from Tehran`s highways traffic. Journal of Traffic Engineering, Vol. 44. (In Persian)
  21. Mirmousavi, S.H., Mirain, M., 2012. The application of geostatistics methods in temporal precipitation distribution (Case study: Kerman Province). Journal of Geography and Planning, Vol 16, pp. 153-178.
  22. Momeni Damaneh, J., Joulaei, F., Alidadi, H., Peiravi, R., 2015. Evaluatin of interpolatin methods to determine spatil variatins of groundwater Quali-tatie parameters (Case study: Gonabad plain). Iranian Journal of Research in Environmental Health, Vol. 1(3), pp. 165-176. (In Persian)
  23. Sadeqi Aqdam, F., Asqari Moqadam, A., Nadiri, A., 2015. An evaluation of temporal and spatial variation of arsenic anomalies in water resources of sahand dam using statistical methods. International Bulletin of Water Resources and Development, Vol. 2, pp. 11-23. (In Persian)
  24. Tombette, M., Mallet, V., Sportisse, B., 2009. PM 10 data assimilation over Europe with the optimal interpolation method. Atmos. Chem. Phys, Vol. 9, pp. 57–70.
  25. Norazian, M.N., Shukri, Y.A., Azam, N.R., 2008.Estimation of missing values in air pollution data using single imputation techniques. ScienceAsia, Vol.34, pp. 341-45.