مدل‌سازی پراکنش ذرات معلق هوای شهر اصفهان با بهره‌گیری از روش‌های IDW و Cokriging

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد علوم و مهندسی محیط زیست، گروه محیط زیست، دانشگاه صنعتی اصفهان، اصفهان، ایران. * (مسوول مکاتبات)

2 استادیار علوم و مهندسی محیط زیست، گروه محیط زیست، دانشگاه صنعتی اصفهان، اصفهان، ایران.

3 دانشیار علوم و مهندسی محیط زیست، گروه محیط زیست، دانشگاه صنعتی اصفهان، اصفهان، ایران.

چکیده

زمینه و هدف: شهر اصفهان به دلیل شرایط جغرافیایی خاص‌، توپوگرافی و ازدیاد مواد آلاینده از آلوده‌ترین شهرهای ایران محسوب می‌شود. صنایع، ترافیک، آلاینده‌های خانگی و تجاری از منابع عمده‌ی آلاینده‌ی هوای شهر اصفهان به شمار می‌رود. از روش‌های رایج برای پیش‌بینی و برآورد آلودگی هوا روش‌های درون‌یابی است. هدف از انجام این مطالعه، بررسی الگوهای پراکنش و مدل‌سازی ذرات‌معلق PM2.5 و  PM10 هوای شهر اصفهان با استفاده از روش‌های درون یابی IDW و Cokriging است.
روش بررسی: در راستای این پژوهش، غلظت آلاینده‌های PM2.5   و PM10 در فصول‌ زمستان و تابستان سال های 1396و1397 در 137 نقطه از محدوده‌ی شهری به صورت مسیری خطی و به‌وسیله‌ی دستگاه پرتابل اندازه‌گیری ذرات معلق آلودگی هوا (مدل  CEM) اندازه‌گیری شد. نقشه‌های پهنه‌بندی برای هر آلاینده در دو فصل سرد و گرم در محیط ‌Arc GIS 10.6 تهیه شد. به‌منظور فرآیند صحت‌سنجی 30% از داده‌ها به صورت تصادفی کنار گذاشته شد. هم‌چنین  مقادیر RMSE در هر دو روش‌ درون‌یابی مذکور موردمقایسه قرار گرفت.
یافته‌ها: نتایج به‌دست‌آمده در مورد توزیع آلاینده‌ها با منابع انتشار مهم ازجمله مناطق با ترافیک بالا و بعضی از مناطق نزدیک به مسیر رودخانه‌ی زاینده رود  مطابقت داشت. روش Cokriging از نظر مقادیر RMSE کم‌تر از روش IDW عملکرد بهتری داشت اگرچه در فرآیند صحت‌سنجی، بین برازش روش های IDW و Cokriging اختلاف چندانی مشاهده نشد.
بحث و نتیجه‌گیری: در نقشه‌های پهنه بندی، نقاط داغ آلودگی (حداکثرغلظت) در مناطق مرکزی محدوده مطالعاتی مشاهده شد که سهم عمده ای از آن به تردد بسیار وسایل نقلیه در سطح شهر اختصاص دارد.

کلیدواژه‌ها

موضوعات


 

 

مقاله پژوهشی

 

 

علوم و تکنولوژی محیط زیست، دوره بیست و سوم، شماره شش، شهریورماه 1400(200-187)

                                        

 

مدل‌سازی پراکنش ذرات معلق هوای شهر اصفهان با بهره‌گیری از روش‌های IDW و Cokriging

 

سحر حیدری اصل [1]*

saharheydari931@gmail.com

حسین مرادی [2]

محسن سلیمانی [3]

  

تاریخ دریافت: 23/10/98

تاریخ پذیرش: 14/5/99

 

چکیده

زمینه و هدف: شهر اصفهان به دلیل شرایط جغرافیایی خاص‌، توپوگرافی و ازدیاد مواد آلاینده از آلوده‌ترین شهرهای ایران محسوب می‌شود. صنایع، ترافیک، آلاینده‌های خانگی و تجاری از منابع عمده‌ی آلاینده‌ی هوای شهر اصفهان به شمار می‌رود. از روش‌های رایج برای پیش‌بینی و برآورد آلودگی هوا روش‌های درون‌یابی است. هدف از انجام این مطالعه، بررسی الگوهای پراکنش و مدل‌سازی ذرات‌معلق PM2.5 و  PM10 هوای شهر اصفهان با استفاده از روش‌های درون یابی IDW و Cokriging است.

روش بررسی: در راستای این پژوهش، غلظت آلاینده‌های PM2.5   و PM10 در فصول‌ زمستان و تابستان سال های 1396و1397 در 137 نقطه از محدوده‌ی شهری به صورت مسیری خطی و به‌وسیله‌ی دستگاه پرتابل اندازه‌گیری ذرات معلق آلودگی هوا (مدل  CEM) اندازه‌گیری شد. نقشه‌های پهنه‌بندی برای هر آلاینده در دو فصل سرد و گرم در محیط ‌Arc GIS 10.6 تهیه شد. به‌منظور فرآیند صحت‌سنجی 30% از داده‌ها به صورت تصادفی کنار گذاشته شد. هم‌چنین  مقادیر RMSE در هر دو روش‌ درون‌یابی مذکور موردمقایسه قرار گرفت.

یافته‌ها: نتایج به‌دست‌آمده در مورد توزیع آلاینده‌ها با منابع انتشار مهم ازجمله مناطق با ترافیک بالا و بعضی از مناطق نزدیک به مسیر رودخانه‌ی زاینده رود  مطابقت داشت. روش Cokriging از نظر مقادیر RMSE کم‌تر از روش IDW عملکرد بهتری داشت اگرچه در فرآیند صحت‌سنجی، بین برازش روش های IDW و Cokriging اختلاف چندانی مشاهده نشد.

بحث و نتیجه‌گیری: در نقشه‌های پهنه بندی، نقاط داغ آلودگی (حداکثرغلظت) در مناطق مرکزی محدوده مطالعاتی مشاهده شد که سهم عمده ای از آن به تردد بسیار وسایل نقلیه در سطح شهر اختصاص دارد.

واژه‌های کلیدی: درون‌یابی، پهنه‌بندی، ذرات معلق، IDW ، Cokriging.

 

J. Env. Sci. Tech., Vol 23, No. 6, September, 2021

 

 

 

 

 

 

Modeling of air particulate matter in the city of Isfahan with the use of IDW and Cokriging methods

 

Sahar Heidari Asl [4]*

saharheydari931@gmail.com

Hossein Moradi [5]

Mohsen Soleimani [6]

 

Admission Date: August 4, 2020

 

Date Received: January 13, 2020

 

Abstract

Background and Objective: Isfahan is one of the most contaminated cities in Iran due to its special geographical conditions, topography and proliferation of pollutants. Industries, traffic, domestic and commercial pollutants are considered the main sources of air pollutants in Isfahan. The methods used to predict and estimate air pollution are methods interpolation. The aim of this study is to investigate the scattering patterns and modeling of particular matter PM2.5 and PM10 in the city of Isfahan using interpolation IDW and Cokriging methods.

Material and Methodology: in this study, the concentration of PM2.5 and PM10 pollutants in winter and summer of 2018 were measured at 137 points of urban area and in linear path by portable device measurement of air pollution (CEM model). Zoning maps for each pollutant in the cold and hot season were in Arc GIS 10.6 environment. In order to verify the accuracy of 30% of the data, the RMSE in both methods was compared.

Findings: the result of pollutants distribution with important emission sources, such as high traffic areas and close areas were consistent with the zayanderood river route. Cokriging method has better performance than IDW method in values of RMSE, although in the validation process, there was little difference between fitting the IDW and Cokriging methods.

Discussion and Conclusion: in the zoning maps, hot spots of pollution (maximum concentration) were observed in central regions of the study area, which is a major contribution to most of the vehicles around the city.

 

Keywords: Interpolation, Zoning, Particulate matters, IDW, Cokriging.

 

 

 

 

مقدمه

 

توسعه شهرها، افزایش بی‌رویه‌ی جمعیت، گسترش فعالیت‌های صنعتی و مصرف بی‌رویه‌ی سوخت‌های فسیلی موجب افزایش آلودگی هوا در کلان‌شهرها شده است که در این میان، نقش توسعه شهرنشینی و تأثیر تغییرات زمانی و مکانی در ایجاد آلودگی هوا اهمیت زیادی داشته است (1). طبق تعاریف، آلودگی هوا عبارت است از حضور مواد نامطلوب در هوا در مدت‌زمان و غلظتی که بتواند اثرات مضری را به وجود آورد (2).

در بین آلاینده‌های اتمسفری، ذرات معلق به علت آثار زیان‌بار قرار‌گیری طولانی‌مدت در معرض آن‌ها و به مخاطره افتادن سلامت افراد جامعه هم‌چنین اثبات رابطه‌ی مستقیم بین افزایش نرخ مرگ‌ومیر و قرار گرفتن طولانی‌مدت در معرض این آلاینده‌ها (3) بسیار موردتوجه قرارگرفته‌اند. به‌طورکلی، ذرات معلق علاوه بر ایجاد مشکلات سلامتی برای انسان، بر مقدار تابش نور خورشید بر زمین، تغییر سیستم زمین و جو، تغییر الگوهای جوی، تغییر دمای سطح زمین، بارش و کاهش دید نیز تأثیر می‌گذارد (4). ازآن‌جایی‌که اندازه‌گیری کیفیت هوا در تمام مکان‌های محدوده مطالعاتی امری دشوار است. بنابراین، اغلب برای پیش‌بینی داده‌های کل منطقه از روش درون‌یابی[7] استفاده می‌شود. هدف درون‌یابی پیش‌بینی مقادیر مکانی اندازه‌گیری‌نشده بر اساس داده‌های اندازه‌گیری شده در کل محدوده‌ی مطالعاتی است که به‌صورت تصاویر یا نقشه ارائه می‌شود. این روش از موفق‌ترین ابزارهای مدل‌سازی داده‌های مکانی در محیط‌زیست و مدیریت کیفی هوا است (5). به‌طور عمده، این روش‌ها در مطالعات بررسی بهداشت انسانی و برآورد کیفیت آلودگی هوا کاربرد زیادی دارد (6و7). یکی از نمونه‌های درون‌یابی روش IDW[8] است که در آن فرض بر این است که نقاط نمونه‌برداری از مکان تأثیر می‌پذیرند و نقاط اثر وزنی دارند و در نقشه‌های رستری پیکسل‌های مجاور به نقاط موردنظر، اثر بیش‌تری نسبت به پیکسل‌های دورتر دارند (8). به‌طورکلی در این روش مقادیر آلاینده بر اساس مقادیر نزدیک به نقطه موردنظر و بر اساس معکوس فاصله‌ی وزنی برآورد می‌شود و با افزایش فاصله، میزان وزن به‌کاررفته کاهش می‌یابد (9).

روش Kriging روشی دیگر از درون‌یابی است که در آن فرض بر این است که فاصله و جهت بین نقاط نمونه‌برداری در محدوده‌های ایستگاهی، بر همبستگی مکانی تأثیر می‌گذارد (10) و معمولاً هنگامی استفاده می‌شود که بین داده‌ها همبستگی مکانی وجود داشته باشد (11). شباهت این دو روش در این است که می‌توانند سطوح پیوسته‌ای از فرمت رستری نقاط را به‌صورت مجزا ارائه دهند (12). در سال‌های اخیر مطالعات متعددی درزمینه‌ی پهنه‌بندی آلودگی هوا انجام‌شده است. به‌عنوان‌مثال در شهر اصفهان به‌منظور پهنه‌بندی آلودگی هوا با استفاده از روش درون‌یابی IDW در محیط GIS، نقشه‌های پهنه‌بندی آلودگی هوا در بازه‌های زمانی ماهانه، فصلی و سالانه تهیه شد که نتایج نشان داد همبستگی خطی معنی‌داری بین آلاینده‌ها وجود دارد (13). در شهر مشهد در پهنه‌بندی ماهانه میزان آلودگی هوا و نحوه‌ی ارتباط آن با عوامل اقلیمی‌، با استفاده از شاخص استاندارد آلودگی هوا[9] و روش IDW میزان آلودگی شبیه‌سازی شد و در این راستا پارامترهای اقلیمی مانند سرعت باد، جهت باد و میزان بارش باران نیز موردبررسی قرار گرفت. نتایج نشان داد که ارتباط بین عوامل اقلیمی و شاخص استاندارد آلودگی هوا از روش همبستگی پیرسون تا حدی مشهود بود (9). شهر اصفهان به دلیل شرایط جغرافیایی خاص، حالتی گودال مانند و ازدیاد مواد آلاینده در هوای سطحی و نیز با دارا بودن سهم تولید 70 درصد از مراکز فولاد کشور، 25 درصد از صنعت نساجی و بزرگ‌ترین صنایع پتروشیمی و نیروگاهی، یکی از صنعتی‌ترین شهرهای ایران به شمار می‌رود (14). گردوغبار مناطق بیابانی شرق اصفهان و عوامل متعددی از قبیل ترافیک، اقدامات عمرانی، فعالیت‏های انسانی و مراکز صنعتی موجود در مناطق مختلف شهر منشأ آلودگی‌های ناشی از ذرات معلق است (15). هدف اصلی این مطالعه پهنه‌بندی پراکنش ذرات معلق شهر اصفهان با استفاده از روش‌های درون‌یابی IDW و Cokriging  و نیز مقایسه نتایج حاصل از این روش‌ها از نظر فرآیندهای ریاضی و خروجی است.

 

مواد و روش‌ها

معرفی منطقه موردمطالعه

منطقه موردمطالعه ما در این پژوهش، شهر اصفهان است. این کلان‌شهر با مساحتی برابر 482 کیلومترمربع (03/0 از مساحت کشور) در منطقه‌ای نیمه کویری و در مجاورت زاینده‌رود در محدوده‌ی 40  39   51 طول شرقی و 30   38   32 عرض شمالی واقع‌شده است (16) و دارای متوسط بارش سالانه حدود 120 میلی‏متر است. در فصل‌های بهار و زمستان بیش‏ترین میزان گردو‏غبار در مناطق مرکزی و شرق مشاهده می‏شود که با پیشروی به سمت غرب از شدت آن ‏کاهش می‌یابد (17). به دلیل افزایش جمعیت، ازدیاد گردشگری، پایداری هوا در نیمی از روزهای سال، خشک‌سالی، محلی برای مرتبط کردن مناطق شمالی و جنوبی کشور، وجود صنایع سنگین و معادن پیرامون شهر با معضل آلودگی هوا روبروست (16).

روش کار

الف- اندازه‌گیری غلظت ذرات معلق

اندازه‌گیری‌ها در دو فصل زمستان (ماه‌های بهمن و اسفند سال 1396) و تابستان (ماه‌های تیر و مرداد سال 1397) و در 137 نقطه از محدوده‌ی مطالعاتی با استفاده از دستگاه اندازه‌گیری ذرات‌ معلق پرتابل مدل CEM برای آلاینده‌های  و انجام شد. در فرآیند اندازه‌گیری، به‌منظور پوشش دهی حداکثری کل محدوده‌ی مطالعاتی و نیز افزایش دقت محاسبات، در مسیری خطی (ترانسکتی) و از پیش تعیین‌شده با در نظر گرفتن یک مکان مشخص به‌عنوان مبدأ و مکانی دیگر به‌عنوان مقصد در بازه‌های زمانی متناوب 10 دقیقه‌ای در مکان‌های از پیش تعیین‌شده، غلظت ذرات معلق اندازه‌گیری شد. (A-B در شکل 1 از نمونه‌ مسیرهای خطی مذکور است). در طول هر مسیر 10 نقطه از محدوده مطالعاتی اندازه‌گیری شد.

 

 

 

شکل1- محدوده‌ی موردمطالعه در شهر اصفهان

Figure 1. Study area in Isfahan

 

ب- نقشه پهنه‌بندی

 با استفاده از ابزار Geostatistical wizard در Arc GIS10.6 و در نظرگرفتن پارامترهای غلظت ذرات معلق، تراکم وسایل نقلیه و کاربری‌های اراضی و نیز با اعمال روش‌های Cokriging از نوع Probability و IDW‌ در دو فصل سرد و گرم به‌طور مجزا برای هریک از آلاینده‌ها، فرآیند درون‌یابی روی نقاط اندازه‌گیری‌شده به‌منظور ساخت نقشه‌های پهنه‌بندی اعمال شد. در روش IDW‌، پیکسل‌های مجاور به مناطق آلودگی نسبت به پیکسل‌های دورتر با توجه به تأثیر موقعیت مکانی بر نقاط آلاینده و اثرات وزنی‌ آن‌ها، اثر بیش‌تری دارند. بنابراین، با افزایش فاصله از نقاط آلاینده میزان آلودگی کاهش می‌یابد (18 و 19). در این روش با استفاده از یک تابع افت فاصله، میانگین وزنی محاسبه می‌شود (12). به‌طورکلی فرمول درون‌یابی به‌صورت زیر است:

W(x,y) =

 

که در آن W(x,y) مقادیر برآورد شده در موقعیت(x و y)، n تعداد نقاط مشخص نزدیک،  Yiوزن اختصاص‌یافته به هر نقطه مشخص است (20). در این روش بر اساس مقادیر مجاور نقاط اندازه‌گیری نشده به هر یک از نقاط اندازه‌گیری مقادیر وزنی داده می‌شود که هرچه نقاط نزدیک‌تر باشند وزن نقاط افزایش می‌یابد(21). برخلاف IDW‌ که بر مبنای میانگین‌گیری ریاضی و روشی جبری است، Cokriging از روش‌های زمین آمار است و هدف اصلی آن بررسی اوزان آماری مشاهدات و نمونه‌هاست به‌گونه‌ای که علاوه بر نااریب بودن تخمین، واریانس تخمین نیز حداقل شود. به‌طورکلی، اغلب تخمین‌گرها ماهیتی خطی دارند و ازنقطه‌نظر مبانی نظری نااریب می‌باشند. در روش Cokriging یا درون‌یابی بهینه (22) به‌منظور پیش‌بینی مقادیر مکان‌های اندازه‌گیری نشده (نامشخص) از مقادیر مجاور به نقاط آلاینده استفاده می‌شود (18). در این روش، فرض بر این است که فاصله و جهت بین نقاط آلاینده در محدوده نقاط اندازه‌گیری بر همبستگی مکانی تأثیر دارد. به‌طورکلی، این روش، هنگامی‌که همبستگی فاصله‌ها قابل‌تشخیص است، کارایی بهتری را ارائه می‌دهد (10) و وزن مطابق با روش حداقل مربعات از نیمه‌واریوگرام (واریوگرام) تعیین می‌شود (23). به‌طورمعمول، وزن‌های به‌دست‌آمده بسته به همبستگی مکانی داده‌های اندازه‌گیری‌شده تغییر می‌کند (24). در این پژوهش از روش Cokriging که شکل تعمیم‌یافته‌ی روش kriging است، استفاده شد. به‌طورکلی، روش Cokriging از تجزیه‌ی منحنی‌های kriging در ابعاد نامتناهی بر اساس ضرایب ساخته می‌شود (25).

پ- آنالیزهای آماری

به‌منظور بررسی نرمالیته مجموعه‌ی داده‌های غلظت ذرات معلق در سطح اطمینان 95% با استفاده از آزمون کلموگراف-اسمیرنوف موردبررسی قرار گرفت. با توجه به کاربرد همبستگی در تعیین ارتباط و نمایش میزان وابستگی متغیرها (26)، ارتباط ذرات معلق در دو فصل سرد و گرم با استفاده از آزمون همبستگی بررسی شد. ازآن‌جایی‌که در روش‌های درون‌یابی امکان پیش‌بینی غلظت‌های آلاینده وجود دارد (10)، نتایج بهینه برای هر دو آلاینده از نظر RMSE موردبررسی قرار گرفت. هم‌چنین نرمالیته سایر پارامترهای مورداستفاده در پهنه‌بندی ازجمله داده‌های ترافیک در سطح اطمینان 95% موردبررسی قرار گرفت.

ت- صحت‌سنجی

در گام اول به‌منظور فرآیند ارزیابی و صحت‌سنجی هر یک از مدل‌ها، به‌صورت تصادفی 30 درصد از مجموعه نقاط اندازه‌گیری‌شده انتخاب شد. پس از ساخت نقشه‌های پهنه‌بندی نقاط انتخاب‌شده در گام اول، با نقشه‌‌های درون‌یابی روی هم‌گذاری شد و ارزش پیکسل‌ها‌ی نقشه در نقاط موردنظر استخراج شد. سپس، ارزش‌های مقادیر پیش‌بینی‌شده باارزش مقادیر اندازه‌گیری‌شده‌ در کل محدوده‌ی مطالعاتی مورد مقایسه قرار گرفت. (اطلاعات تکمیلی در شکل‌های 6 و 7).

 

 

 

 

 

نتایج و بحث

الف-نقشه‌های پهنه‌بندی

در نقشه‌های ساخته‌شده در فصل سرد‌، نقاط داغ[10] آلودگی در مناطقی از جنوب و مرکز شهر مشاهده شد. این روند در فصل گرم اغلب در محدوده‌های مرکزی شهر تمرکز بیش‌تری داشت. به‌طورکلی، در سال‌های اخیر اصطلاح نقاط داغ، در مطالعات اپیدمیولوژیک آلودگی هوا مرسوم شده است. این اصطلاح، پیش‌تر برای بیان مفاهیم تنوع زیستی به کار می‌رفت. به‌طورمعمول، در شهرهای بزرگ، آلودگی‌های بیشینه‌ای که ناشی از منابعی مانند مراکز صنعتی، ترافیک سنگین و سوخت‌های فسیلی است را به‌عنوان نقاط داغ آلودگی مطرح می‌کنند یا به‌عبارت‌دیگر، مناطق محلی با غلظت زیاد یک آلاینده نسبت به سایر مناطق را نقاط داغ آلودگی می‌نامند (27). به نظر می‌رسد در این پژوهش، نقاط داغ (نقاط دارای مقادیر حداکثر غلظت ذرات معلق) مناطق مرکزی عمدتاً به علت وجود تردد زیاد وسایل نقلیه و بزرگراه‌های ارتباط‌دهنده‌ی شمال و جنوب شهر است. هم‌چنین محدودیت آب‌رسانی به بستر رودخانه‌ی زاینده‌رود و خشک بودن آن در بیش‌تر مواقع سال و درنتیجه سست بودن لایه‌های سطحی بستر آن، از دیگر عوامل تشدید آلودگی‌های ناشی از ذرات معلق هوا به‌ویژه PM10 در مناطق هم‌جوار رودخانه‌ی زاینده‌رود با شروع وزش باد است. وجود مقادیر حداقل آلودگی مناطق مرکزی به علت تردد کم‌تر وسایل نقلیه به‌ویژه در مناطق تاریخی شهر ازجمله میدان نقش‌جهان به‌منظور حفظ بافت تاریخی شهر قابل توجیه است. وجود نقاط داغ آلودگی مشاهده شده در فصل گرم در برخی از مناطق مرکزی به علت ترافیک‌های سنگین بیش‌تر مشهود است. به‌طورکلی، تمرکز نقاط داغ آلودگی در مناطق مجاور رودخانه‌ی زاینده‌رود در نقشه‌های ساخته‌شده مشهود است، هم‌چنین در فصل گرم مقادیر عمده‌ای از ذرات معلق از مناطق حاشیه‌ی شهر به‌ویژه منطقه‌ی سگزی به علت جهت وزش باد غالب (از شرق به غرب) به همراه وزش باد به داخل شهر آورده می‌شود که می‌تواند از عوامل مؤثر در روند صعودی آلودگی هوای مناطق متمایل به شرق باشد. به نظر می‌رسد هر دو روش IDW و Cokriging در نمایش نقاط داغ آلودگی عملکرد خوبی را ارائه داده‌اند. قابل‌ذکر است که به عنوان مثال، در روش Kriging پس از تعیین هر یک از پارامترهایی که نیاز است نوع خاصی (به‌عنوان‌مثال universal) باشد، می‌توان آن را برای پهنه‌بندی سایر شهرها امتحان کرد و عملکرد این روش را موردبررسی قرار داد سپس آن را با پارامترهای اولیه مقایسه نمود. درواقع این روش قابلیت استفاده در هر منطقه‌ای را دارد.

 

ب-آنالیزهای آماری

در بررسی نرمالیته پارامترهای مورداستفاده ازجمله داده‌های ترافیک در سطح اطمینان 95% از توزیع نرمال تبعیت کردند. نتایج آزمون کلموگراف-اسمیرنوف نیز نشان داد که بین توزیع داده‌های غلظت در هر دو فصل با توزیع نرمال اختلاف معنی‌داری وجود ندارد. مقادیر همبستگی ذرات معلق با آزمون همبستگی، در دو فصل سرد و گرم به ترتیب 98/0 و 84/0 بود که بیانگر همبستگی مناسب بین مقادیر ذرات معلق PM2.5 و PM10 در هردو فصل است. ازآن‌جایی‌که مقادیر RMSE بیانگر دقت روش درون‌یابی مورداستفاده می‌باشند، هرچه این مقادیر به صفر نزدیک‌تر باشند برآوردهای به‌دست‌آمده به مقادیر واقعی نزدیک‌ترند و یا به عبارتی دقت مدل‌سازی بیش‌تر است. با توجه به مقادیر به‌دست‌آمده RMSE در جدول 1 مشاهده می‌شود که روش Cokriging به علت خطای درون‌یابی کم‌تر نسبت به روش IDW کارآیی بهتری در نمایش مقادیر حداکثر غلظت آلودگی را دارا می‌باشد. اگرچه هر دو روش درون‌یابی Cokriging و IDW قابلیت پیش‌بینی پراکنش ذرات معلق در محدوده‌ی موردمطالعه را دارا بودند اما ازآن‌جایی‌که مقادیر کم‌تر  RMSEبیانگر عملکرد بهتر آن روش درون‌یابی است (10)، روش Cokriging برای پهنه‌بندی این مجموعه داده روش مناسب‌تری است. هم‌چنین، با افزایش فاصله از هر نقطه اندازه‌گیری، اثر وزنی آن کم‌تر می‌شد. به‌طورکلی، نقاط اندازه‌گیری مجاور نقاط نامعلوم نسبت به نقاط دورتر از آن، بر فرآیند پیش‌بینی تأثیر بیش‌تری داشتند و با توجه به این‌که، شرط کاربردی روش Cokriging وجود ضریب همبستگی نسبتاً بالا (بیش‌تر از 5/0) است، در هر دو فصل ضریب همبستگی غلظت ذرات معلق و ترافیک بیش‌تر از 5/0 به دست آمد. به منظور بررسی حداقل تعداد نقاط اندازه‌گیری که بتواند تحلیل‌های این پژوهش را توجیه کند، با تعداد کم‌تری از نقاط اندازه‌گیری، فرآیند مدل‌سازی انجام شد که تفاوت معنی‌داری بین دو نقشه (نقشه ساخته شده با 137 نقطه و نقشه ساخته شده با تعداد نقاط اندازه گیری کم‌تر) مشاهده شد بنابراین، می‌توان به این امر اشاره داشت که از آن جایی که کاهش تعداد نقاط اندازه‌گیری موجب افزایش مقادیر RMSE و اریبی در فرآیند صحت‌سنجی می‌شود و نیز تحت تاثیر بودن هر نقطه‌ی اندازه‌گیری از نقاط مجاور با مقادیر بالاتر غلظت (28) مجموعه‌ی صحت‌سنجی داده‌ها، با تعداد نقاط کم‌تر، عملکرد ضعیف‌تری را نشان می‌دهد که با افزایش تعداد نقاط این روند بهبود چشمگیری می‌یابد (29) بنابراین، تعداد نقاط خاصی به‌منظور عملکرد بهینه‌ی مدل مشخص نیست. در روش‌های زمین آماری مانند Cokriging به طور معمول، تعداد نقاط زیادی در فرآیند درون‌یابی در نظر گرفته می‌شود، حال آن که روش IDW با تعداد نقاط کم‌تر نیز قابل قبول می‌باشد و از آن جایی که هرچه محدوده‌ی مطالعاتی وسیع‌تر و ناهمگن‌تر باشد، به تعداد نقاط بیش‌تری نیازمند است بنابراین، مدل ساخته شده از کلان‌شهر اصفهان که شرایط توپوگرافی خاصی (حالت گودال مانند) را دارا می باشد، با تعداد نقاط اندازه‌گیری بیش‌تر عملکرد بهتری را ارائه داد.

 

شکل2- نقشه‌های درون‌یابی به روش IDW ؛  A: پهنه‌بندی PM2.5 در فصل سرد، B : پهنه‌بندی PM2.5 در فصل گرم

Figure 2. IDW Maps; A: PM2.5 zoning in cold season, B: PM2.5 zoning in warm season

شکل3- نقشه‌های درون‌یابی به روش IDW ؛  C: پهنه‌بندی PM10 در فصل سرد، D: پهنه‌بندی PM10 در فصل گرم

Figure 3. IDW Maps; C: PM10 zoning in cold season, D: PM10 zoning in warm season

شکل 4- نقشه‌های درون‌یابی به روش Cokriging؛ :A پهنه‌بندی PM2.5 در فصل سرد، B : پهنه‌بندی PM2.5  در فصل گرم

Figure 4. Cokriging maps;‌ A: PM2.5 zoning in the cold season, B: PM2.5 zoning in the warm season

شکل 5- نقشه‌های درون‌یابی به روش Cokriging؛  C : پهنه‌بندی PM10 در فصل سرد، D: پهنه‌بندی PM10 در فصل گرم

Figure 5. Cokriging maps; C: PM10 zoning in the cold season, D: PM10 zoning in the hot season

 

جدول1- مقادیر  RMSEهر یک از آلاینده‌ها در دو فصل سرد و گرم

Table 1. Root mean square error values of each contaminant in both hot and cold seasons

روش               

فصل

Cokriging

IDW

 

PM10

PM2.5

PM10

PM2.5

سرد

48/0

98/0

4/17

02/14

گرم

47/0

47/0

9/13

5/9

پ- صحت سنجی

 

در راستای فرآیند صحت‌سنجی در این پژوهش با وجود این که، روش Cokriging نسبت به روش IDW واریانس برآورد پایین‌تری دارد اما هر دو روش IDW و  Cokrigingبراساس نمودارها در شکل‌های 6 و 7 تفاوت زیادی با هم نداشتند و برازش نسبتا خوبی ارائه دادند. در این نمودارها، محور x ها (افقی) نشان‌دهنده‌ی مقادیر اندازه‌گیری شده و محور Y ها نشان‌دهنده‌ی مقادیر پیش‌بینی‌شده است. لازم به ذکر است که خطاهای ناشی از روش Cokriging  تابعی از مقادیر حقیقی داده‌ها نیست، بلکه ویژگی‌هایی مانند فاصله و پراکنش نقاط اندازه‌گیری از عوامل تأثیرگذار بر مقادیر خطا در این روش به شمار می‌روند. اگرچه بهترین روش برآورد خطی نااریب است، اما پراکنش نقاط اندازه‌گیری در این روش نسبت به مقادیر حقیقی آن، دارای تغییرات کم‌تری است که می‌توان آن را از نقاط ضعف این روش برشمرد(30). لازم به ذکر است که نتا‌یج درون‌یابی ممکن است از همه‌ی جهت‌ها با کل نقاط اندازه‌گیری متناسب نباشد و خط رگرسیون از تمام مقادیر نمونه عبور نکند و نیز مقادیر نمونه‌ی اصلی دقیقاً روی سطح درون‌یابی قرار نداشته باشد (12) بنابراین نمی‌توان این امر را دلیلی بر عدم کارآیی روش‌های درون‌یابی در پهنه‌بندی آلودگی هوا دانست.

 

 

شکل6- صحت سنجی روش IDW؛ :A مقادیر آلاینده‌ی PM2.5 در فصل سرد ، B: مقادیر آلاینده‌ی PM2.5 در فصل گرم، C: مقادیر آلاینده‌ی PM10 در فصل سرد ، D: مقادیر آلاینده‌ی PM10 در فصل گرم

Figure 6. IDW Method Validation: A: PM2.5 pollutant values in cold season, B: PM2.5 pollutant values in warm season, C: PM10 pollutant values in cold season, PM10 pollutant values in hot season

شکل7- صحت سنجی روش Cokriging ؛ :A مقادیر آلاینده‌ی PM2.5 در فصل سرد، B: مقادیر آلاینده‌ی  PM2.5در فصل گرم، C: مقادیر آلایندهی PM10 در فصل سرد، D: مقادیر آلایندهی PM10 در فصل گرم

Figure 7. Cokriging Method 1: A PM2.5 pollutant values in cold season, B: PM2.5 pollutant values in warm season, C: PM10 pollutant values in cold season, PM10 pollutant values in warm season

 

 

 

 

 

نتیجه‌گیری

 

پدیده‌ی آلودگی هوا از معضلات زیست‌محیطی است که در دهه‌های اخیر افزایش بی‌رویه‌ای داشته است و اثرات سوء فراوانی بر جوامع انسانی داشته است. با توجه به مشکلات آلودگی هوای کلان‌شهر اصفهان که عمدتاً ناشی از ذرات معلق  PM2.5 و  PM10است، تعیین غلظت و پایش دقیق این آلاینده‌ها امری ضروری است. در این پژوهش نقشه‌های پهنه‌بندی ذرات معلق با رویکرد بررسی الگوهای پراکنش آن‌ها در محدوده‌ی شهر اصفهان تهیه شد. در راستای ساخت نقشه‌های پهنه‌بندی از پارامترهایی مانند فاصله از مراکز صنعتی و ترافیک استفاده شد و به‌منظور پیش‌بینی پراکنش غلظت‌های آلاینده در هر فصل، از روش‌های درون‌یابی IDW و  Cokrigingدر محیط Arc Map10.7 استفاده شد. به‌منظور صحت‌سنجی 30 درصد از نقاط به‌صورت تصادفی انتخاب شد و پس از قرارگیری نقاط باقی‌مانده روی نقشه، ارزش پیکسل‌ها‌ی موردنظر استخراج و با ارزش مقادیر اندازه‌گیری‌شده مقایسه شد که بین داده‌های اندازه‌گیری‌شده و پیش‌بینی‌شده، برازش نسبتا خوبی مشاهده شد. در این پژوهش مناطق مرکزی و پرتردد دارای مقادیر حداکثر آلودگی است که پیش‌تر در مطالعه‌ی Jafari و همکاران در مورد بررسی ذرات معلق PM10 شهر اصفهان در سال 2017، منطقه‌ی احمدآباد (از مناطق مرکزی شهر) از مناطق دارای مقادیر حداکثر آلاینده مشاهده شد. مقادیرRMSE  روش IDW در این پژوهش بامطالعه‌ی Jha و همکاران در سال 2011 در بندری در هندوستان، مطابقت نداشت که این امر به علت شرایط توپوگرافی و منابع آلاینده متفاوت قابل توجیه است. هم‌چنین، همانند مطالعه‌ی Miri و همکاران در شهر مشهد(31)، در فصل سرد، مقادیر غلظت میانگین به علت دایر‌بودن مدارس و افزایش ترافیک شهری بیش‌تر از فصل گرم بود. در فصل گرم وزش باد نقش مهمی در پراکنش ذرات معلق به ویژه PM10 داشت که در مطالعه‌ی Alimahmodi و همکاران (32) در شهر اهواز در سال  2018 نیز آلودگی‌های ناشی از PM10  با جهت باد همبستگی بالایی داشت. با توجه به مقادیر RMSE به‌دست‌آمده، روش Cokriging به علت خطای درون‌یابی کم‌تر روش بهتری برای پهنه‌بندی این محدوده‌ی مطالعاتی است اما در عملیات صحت‌سنجی مدل‌ها (مقایسه داده‌های اندازه‌گیری‌شده و پیش‌بینی‌شده) روش IDW نیز عملکرد آن‌چنان متفاوتی با روش Cokriging نداشت، بنابراین می‌توان با درک و شناخت الگوهای پراکنش مکانی آلاینده‌ها در کاهش اثرات منفی منابع آلاینده‌ها اقدام کرد و به‌منظور روش‌های بهینه‌ی مدیریتی این روش‌های درون‌یابی را مورداستفاده قرار داد. به منظور بهبود مطالعات آتی پیشنهاد می‌شود روابط متغیرها به صورت سالانه و در فصل‌های بهار و پاییز نیز بررسی شود.

 

Reference

  1. Jerrett, M., Arain, A., Kanaroglou, P., Beckerman, B., Potoglou, D., Sahsuvaroglu, T., Morrison, J., Giovis, C., 2005. A review and evaluation of intraurban air pollution exposure models. Journal of Exposure Science and Environmental Epidemiology, Vol. 15, pp. 185.
  2. Wang, L.K., Pereira, N.C., Hung, Y.T. eds., 2004. Air pollution control engineering. Totowa, NJ: Humana press, London, Vol. 1, pp. 501.
  3. Akita, Y., Baldasano, J. M., Beelen, R., Cirach, M., De Hoogh, K., Hoek, G., De Nazelle, A., 2014. Large scale air pollution estimation method combining land use regression and chemical transport modeling in a geostatistical framework. Environmental science & technology, Vol. 48, pp. 4452-4459.
  4. Gupta, P., Christopher, S. A., 2008. An evaluation of Terra-MODIS sampling for monthly and annual particulate matter air quality assessment over the Southeastern United States. Atmospheric Environment, Vol.  26, pp. 6465-6471.
  5. Goodchild, M. F., 1993. The state of GIS for environmental problem-solving. Environmental modeling with GIS, Vol. 2. 8-15.
  6. Borge, R., Narros, A., Artinano, B., Yague, C., Gómez-Moreno, F. J., de la Paz, D., Quaassdorff, C., 2016. Assessment of microscale spatio-temporal variation of air pollution at an urban hotspot in Madrid (Spain) through an extensive field campaign. Atmospheric environment, Vol. 140, pp. 432-445.
  7. Yuan, T. H., Shie, R. H., Chin, Y. Y., Chan, C.C., 2015. Assessment of the levels of urinary 1-hydroxypyrene and air polycyclic aromatic hydrocarbon in PM2.5 for adult exposure to the petrochemical complex emissions. Environmental research, Vol. 136, pp. 219-226.
  8. Shad, R., Ashoori, H., Afshari, N., 2008. Evaluation of optimum methods for predicting pollution concentration in GIS Environment. Remote Sensing and Spatial Information Sciences, Vol. 1, pp. 33-49.
  9. Akbari, A., Fakheri, M., Efatpoor, G., Akbari, Z., 2015. Monthly zoning of air pollution and its relationship with climate factors (Case study: Mashhad). Journal of Natural Environment, Vol. 4, pp. 533-547. (In Persian)
  10. Esmailnejad, M., Eskandari, M., Barzman, S., 2015. Evaluation and Zoning of Tabriz Metropolitan Air Pollution. Regional Planning Quarterly, Vol. 19, pp. 173-186. (In Persian)
  11. Hadipoor, M., Poorebrahim, Sh., 2012. Residential areas in urban transportation planning using GIS and mathematical modeling of air pollution. Understanding the environment, Vol. 59, pp. 135-148.
  12. Shi, X., 2010. Selection of bandwidth type and adjustment side in kernel density estimation over inhomogeneous backgrounds. International Journal of Geographical Information Science, Vol. 24, pp. 643-660.
  13. Salehi, B. Isfahan air pollution zoning. MSc in Environmental Pollution, Department of Environment, Faculty of Natural Resources, Isfahan University of Technology, Iran, 2011; pp. 100. (In Persian)
  14. Garavandi, S., Zalghi, A., Goodarzi, G., Mohammadi, M., Yari, A., Noorzadeh, H.M., 2015. Exposure to particulate matter less than 10 microns and its effect on the incidence of respiratory and cardiovascular diseases in Isfahan. Journal of Health System Research, Vol. 11, pp.730-725. (In Persian)
  15. Noroozi, S., Khademi, H., 2015. Spatial and temporal variations of dust deposition rate in Isfahan city and its relation to some climatic parameters. Journal of Agricultural Science and Technology, Water and Soil Science, Vol. 72, pp.149-161. (In Persian)
  16. Mohammadi, J., Kanaani, M., 2015. Isfahan Metropolitan Strategic Planning in the Framework of Green City Approach with Emphasis on Air Component. Geographical Space Scientific Quarterly, Vol. 58, pp. 149-168. (In Persian)
  17. Sheikhbeiglo, R., Mohammadi, J., 2010. Analysis of Climatic Elements of Wind and Rainfall with Emphasis on Urban Design Case Study of Isfahan City. Journal of Geography and Environmental Planning, Vol. 3, pp. 61-82. (In Persian)
  18. Jha, D. K., Sabesan, M., Das, A., Vinithkumar, N. V., Kirubagaran, R., 2011. Evaluation of Interpolation Technique for Air Quality Parameters in Port Blair, India. Universal journal of environmental research & technology, Vol. 1, pp 2-15.
  19. Willmott, C. J., Matsuura, K., 1995. Smart interpolation of annually averaged air temperature in the United States. Journal of Applied Meteorology, Vol. 34, pp. 2577-2586.
  20. Akhavan, R., Khorramabadi, M. K., Soosani, J., 2012. Application of Kriging and IDW methods in mapping of crown cover and density of coppice oak forests (case study: Kakareza region, Khorramabad). Iranian Journal of Forest, Vol. 3, pp. 305-316. (In Persian)
  21. Jamei, M. Evaluation of introspection methods in regional estimation of reference evaporation and transference and comparison with the available results from satellite images in the central and northern plains of Khuzestan. MSc in Agricultural Meteorology, Islamic Azad University. Tehran Science and Research Branch, Iran, 2009; pp. 102. (In Persian)
  22. Tolosana-Delgado, R., Egozcue, J. J., Sachez-Arcilla, A., Gomez, J., 2011. Wave height data assimilation using non-stationary kriging. Computers & geosciences, Vol. 37, pp. 363-370.
  23. Hengl, T., Heuvelink, G. B., Rossiter, D. G., 2007. About regression-kriging: From equations to case studies. Computers & geosciences, Vol. 33, pp. 1301-1315.
  24. De Mesnard, L., 2013. Pollution models and inverse distance weighting: Some critical remarks. Computers & Geosciences, Vol. 52, pp. 459-469.
  25. Nerini, D., Monestiez, P., & Mante, C., 2010. Cokriging for spatial functional data. Journal of Multivariate Analysis, Vol. 101, pp. 409-418.
  26. Belkhiri, L., Boudoukha, A., Mouni, L., 2011. A multivariate statistical analysis of groundwater chemistry data. International Journal of Environmental Research, Vol. 52, pp. 537-544.
  27. Moran, D., Kanemoto, K., 2016. Tracing global supply chains to air pollution hotspots. Environmental Research Letters, Vol. 14, pp.11-16.
  28. Singh, V., Carnevale, C., Finzi, G., Pisoni, E., & Volta, M., 2011. A cokriging based approach to reconstruct air pollution maps, processing measurement station concentrations and deterministic model simulations. Environmental Modelling & Software, Vol. 26, pp. 778-786.
  29. Basagana, X., Rivera, M., Aguilera, I., Agis, D., Bouso, L., Elosua, R., Foraster, M., de Nazelle, A., Nieuwenhuijsen, M., Vila, J. and Kunzli, N., 2012. Effect of the number of measurement sites on land use regression models in estimating local air pollution. Atmospheric environment, Vol.  54, pp.634-642.
  30. Fadavi, G., Bazrafshan, J., Gahraman, N. 2015. Comparison of regional methods of minimum air temperature estimation (case study: Isfahan province). Meteorological Journal, Vol. 3, pp.14-24.
  31. Miri, M., Ghaneian, M., Gholizadeh, A., Yazdani, M., Nikonahad, A., 2015. Analysis and zoning of air pollution in Mashhad using different models of spatial analysis. Journal of Environmental Health Engineering, Vol. 3, pp. 143-154.
  32. Alimahmodi, M., Moaeiri, M., Joybari, Sh., Rashki, A., 2018. Estimation of air pollution (PM10) using weather data (Case study: Ahvaz city). Natural Environment, Natural Resources of Iran, Vol. 3, pp. 385-397.

 

 

 

1- کارشناسی ارشد علوم و مهندسی محیط زیست، گروه محیط زیست، دانشگاه صنعتی اصفهان، اصفهان، ایران. * (مسوول مکاتبات)

2- استادیار علوم و مهندسی محیط زیست، گروه محیط زیست، دانشگاه صنعتی اصفهان، اصفهان، ایران.

3- دانشیار علوم و مهندسی محیط زیست، گروه محیط زیست، دانشگاه صنعتی اصفهان، اصفهان، ایران.

[4]- Master of Environmental Science and Engineering, Department of Natural Resources, Isfahan University of Technology, Isfahan, Iran. *(Corresponding Author)

2- Assistant Professor of Department of Natural Resources, Isfahan University of Technology, Isfahan, Iran.

[6]- Associate Professor of Department of Natural Resources, Isfahan University of Technology ,Isfahan, Iran.

[7]- Interpolation

[8]- Inverse distance weighted = IDW

3- PSA

[10]- Hotspots

  1. Jerrett, M., Arain, A., Kanaroglou, P., Beckerman, B., Potoglou, D., Sahsuvaroglu, T., Morrison, J., Giovis, C., 2005. A review and evaluation of intraurban air pollution exposure models. Journal of Exposure Science and Environmental Epidemiology, Vol. 15, pp. 185.
  2. Wang, L.K., Pereira, N.C., Hung, Y.T. eds., 2004. Air pollution control engineering. Totowa, NJ: Humana press, London, Vol. 1, pp. 501.
  3. Akita, Y., Baldasano, J. M., Beelen, R., Cirach, M., De Hoogh, K., Hoek, G., De Nazelle, A., 2014. Large scale air pollution estimation method combining land use regression and chemical transport modeling in a geostatistical framework. Environmental science & technology, Vol. 48, pp. 4452-4459.
  4. Gupta, P., Christopher, S. A., 2008. An evaluation of Terra-MODIS sampling for monthly and annual particulate matter air quality assessment over the Southeastern United States. Atmospheric Environment, Vol.  26, pp. 6465-6471.
  5. Goodchild, M. F., 1993. The state of GIS for environmental problem-solving. Environmental modeling with GIS, Vol. 2. 8-15.
  6. Borge, R., Narros, A., Artinano, B., Yague, C., Gómez-Moreno, F. J., de la Paz, D., Quaassdorff, C., 2016. Assessment of microscale spatio-temporal variation of air pollution at an urban hotspot in Madrid (Spain) through an extensive field campaign. Atmospheric environment, Vol. 140, pp. 432-445.
  7. Yuan, T. H., Shie, R. H., Chin, Y. Y., Chan, C.C., 2015. Assessment of the levels of urinary 1-hydroxypyrene and air polycyclic aromatic hydrocarbon in PM2.5 for adult exposure to the petrochemical complex emissions. Environmental research, Vol. 136, pp. 219-226.
  8. Shad, R., Ashoori, H., Afshari, N., 2008. Evaluation of optimum methods for predicting pollution concentration in GIS Environment. Remote Sensing and Spatial Information Sciences, Vol. 1, pp. 33-49.
  9. Akbari, A., Fakheri, M., Efatpoor, G., Akbari, Z., 2015. Monthly zoning of air pollution and its relationship with climate factors (Case study: Mashhad). Journal of Natural Environment, Vol. 4, pp. 533-547. (In Persian)
  10. Esmailnejad, M., Eskandari, M., Barzman, S., 2015. Evaluation and Zoning of Tabriz Metropolitan Air Pollution. Regional Planning Quarterly, Vol. 19, pp. 173-186. (In Persian)
  11. Hadipoor, M., Poorebrahim, Sh., 2012. Residential areas in urban transportation planning using GIS and mathematical modeling of air pollution. Understanding the environment, Vol. 59, pp. 135-148.
  12. Shi, X., 2010. Selection of bandwidth type and adjustment side in kernel density estimation over inhomogeneous backgrounds. International Journal of Geographical Information Science, Vol. 24, pp. 643-660.
  13. Salehi, B. Isfahan air pollution zoning. MSc in Environmental Pollution, Department of Environment, Faculty of Natural Resources, Isfahan University of Technology, Iran, 2011; pp. 100. (In Persian)
  14. Garavandi, S., Zalghi, A., Goodarzi, G., Mohammadi, M., Yari, A., Noorzadeh, H.M., 2015. Exposure to particulate matter less than 10 microns and its effect on the incidence of respiratory and cardiovascular diseases in Isfahan. Journal of Health System Research, Vol. 11, pp.730-725. (In Persian)
  15. Noroozi, S., Khademi, H., 2015. Spatial and temporal variations of dust deposition rate in Isfahan city and its relation to some climatic parameters. Journal of Agricultural Science and Technology, Water and Soil Science, Vol. 72, pp.149-161. (In Persian)
  16. Mohammadi, J., Kanaani, M., 2015. Isfahan Metropolitan Strategic Planning in the Framework of Green City Approach with Emphasis on Air Component. Geographical Space Scientific Quarterly, Vol. 58, pp. 149-168. (In Persian)
  17. Sheikhbeiglo, R., Mohammadi, J., 2010. Analysis of Climatic Elements of Wind and Rainfall with Emphasis on Urban Design Case Study of Isfahan City. Journal of Geography and Environmental Planning, Vol. 3, pp. 61-82. (In Persian)
  18. Jha, D. K., Sabesan, M., Das, A., Vinithkumar, N. V., Kirubagaran, R., 2011. Evaluation of Interpolation Technique for Air Quality Parameters in Port Blair, India. Universal journal of environmental research & technology, Vol. 1, pp 2-15.
  19. Willmott, C. J., Matsuura, K., 1995. Smart interpolation of annually averaged air temperature in the United States. Journal of Applied Meteorology, Vol. 34, pp. 2577-2586.
  20. Akhavan, R., Khorramabadi, M. K., Soosani, J., 2012. Application of Kriging and IDW methods in mapping of crown cover and density of coppice oak forests (case study: Kakareza region, Khorramabad). Iranian Journal of Forest, Vol. 3, pp. 305-316. (In Persian)
  21. Jamei, M. Evaluation of introspection methods in regional estimation of reference evaporation and transference and comparison with the available results from satellite images in the central and northern plains of Khuzestan. MSc in Agricultural Meteorology, Islamic Azad University. Tehran Science and Research Branch, Iran, 2009; pp. 102. (In Persian)
  22. Tolosana-Delgado, R., Egozcue, J. J., Sachez-Arcilla, A., Gomez, J., 2011. Wave height data assimilation using non-stationary kriging. Computers & geosciences, Vol. 37, pp. 363-370.
  23. Hengl, T., Heuvelink, G. B., Rossiter, D. G., 2007. About regression-kriging: From equations to case studies. Computers & geosciences, Vol. 33, pp. 1301-1315.
  24. De Mesnard, L., 2013. Pollution models and inverse distance weighting: Some critical remarks. Computers & Geosciences, Vol. 52, pp. 459-469.
  25. Nerini, D., Monestiez, P., & Mante, C., 2010. Cokriging for spatial functional data. Journal of Multivariate Analysis, Vol. 101, pp. 409-418.
  26. Belkhiri, L., Boudoukha, A., Mouni, L., 2011. A multivariate statistical analysis of groundwater chemistry data. International Journal of Environmental Research, Vol. 52, pp. 537-544.
  27. Moran, D., Kanemoto, K., 2016. Tracing global supply chains to air pollution hotspots. Environmental Research Letters, Vol. 14, pp.11-16.
  28. Singh, V., Carnevale, C., Finzi, G., Pisoni, E., & Volta, M., 2011. A cokriging based approach to reconstruct air pollution maps, processing measurement station concentrations and deterministic model simulations. Environmental Modelling & Software, Vol. 26, pp. 778-786.
  29. Basagana, X., Rivera, M., Aguilera, I., Agis, D., Bouso, L., Elosua, R., Foraster, M., de Nazelle, A., Nieuwenhuijsen, M., Vila, J. and Kunzli, N., 2012. Effect of the number of measurement sites on land use regression models in estimating local air pollution. Atmospheric environment, Vol.  54, pp.634-642.
  30. Fadavi, G., Bazrafshan, J., Gahraman, N. 2015. Comparison of regional methods of minimum air temperature estimation (case study: Isfahan province). Meteorological Journal, Vol. 3, pp.14-24.
  31. Miri, M., Ghaneian, M., Gholizadeh, A., Yazdani, M., Nikonahad, A., 2015. Analysis and zoning of air pollution in Mashhad using different models of spatial analysis. Journal of Environmental Health Engineering, Vol. 3, pp. 143-154.
  32. Alimahmodi, M., Moaeiri, M., Joybari, Sh., Rashki, A., 2018. Estimation of air pollution (PM10) using weather data (Case study: Ahvaz city). Natural Environment, Natural Resources of Iran, Vol. 3, pp. 385-397.