عنوان پایان‌نامه
پیش بینی و مدلسازی مکانی الا ینده ذرات معلق درهوا در محیط GIS
- رشته تحصیلی
- مهندسی عمران-سیستمهای اطلاعات جغرافیایی(GIS)
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3118;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 71779
- تاریخ دفاع
- ۱۰ شهریور ۱۳۹۴
- دانشجو
- روح الامین بهاری
- استاد راهنما
- رحیم علی عباسپور, پرهام پهلوانی
- چکیده
- یکی از بزرگ ترین مشکلات زیست محیطی شهر تهران مسأله آلودگی هوا بوده که عوامل متعدد طبیعی و انسانی در ایجاد آن دخالت دارند. غلظت آلاینده های اتمسفری شهر تهران در بسیاری از روزها چندین برابر حد مجاز بوده که اثرات سوء کوتاه و دراز مدت را برای سلامتی شهروندان به دنبال دارد. پیش بینی و مدلسازی مکانی آلودگی هوا یکی از راهکارهایی است که مدیریت شهری را جهت پیش بینی، شناسایی و ارائه اقدامات لازم جهت کاهش آلودگی هوا یاری می نماید. از این رو اگر مدلی برای پیش بینی و پهنه بندی وجود داشته باشد می توان آن را به عنوان راهکار برای جلوگیری از رخداد آلودگی به کار برده و می¬توان مناطق پر ریسک را شناسایی و با انجام اقدامات لازم، نقش مهمّ و مؤثری در مدیریت سلامت شهری ایفا کرد. در سالهای اخیر، عامل اصلی آلودگی هوای تهران ذرات معلق و به خصوص ذرات معلق کمتر از 5/2 میکرون بوده است. این ذرات به راحتی می‌توانند به سیستم تنفسی تحتانی راه یابند و باعث تشدید بیماری‌های قلبی-ریوی، کاهش مقاومت سیستم ایمنی بدن در مقابل بیماری‌ها، از بین رفتن بافت ریه، آسم کودکان، مرگ‌ومیر زودرس و شیوع سرطان شوند. هدف این مطالعه پیش بینی غلظت آلاینده PM2.5 برای ایستگاه سنجش کیفیت رازی به کمک شبکه عصبی MLP و پهنه بندی غلظت بر روی شهر تهران به کمک مدل رگرسیون وزندار جغرافیایی می‌باشد. در پیش بینی به منظور ورود اطلاعات هم‌جنس جهت آموزش شبکه عصبی از روش خوشه بندی فازی(c-mean) استفاده گردید. اطلاعاتی که به منظور آموزش شبکه عصبی استفاده گردید عبارتند از: غلظت PM2.5، دما، سرعت باد، جهت باد، رطوبت نسبی، پوشش ابر، شدت وارونگی و دما که این اطلاعات برای دو سال1391 و1392 تهیه و آماده سازی شد. در پهنه بندی نیز ابتدا به کمک مقادیر غلظت ایستگاه‌های سنجش کیفیت هوا و پارامترهای مؤثر بر آلودگی هوا و با استفاده از مدل رگرسیون وزندار جغرافیایی، ماتریس وزن متغیرهای مؤثر بدست آمد و پس از اعمال این ماتریس بر روی نقاط گرید آماده-سازی شده بر روی سطح شهر تهران مقدار غلظت در این نقاط تخمین زده شد. در ادامه مقادیر این نقاط به کمک روش کریجینگ بر روی شهر تهران درون‌یابی و مدل مکانی ارائه گردید. در این پژوهش به منظور ارزیابی مدل ها از پارامترهای آماری RMSE و R2 استفاده شده است. نتایج بدست آمده در هر دو مرحله بیانگر قدرت بالای هر دو مدل بوده است. به طوری که در قسمت اول مقادیر ارزیابی(94/0-7/0=R2 و6/7-6/3RMSE=) به خوبی نشان می‌دهد که خوشهبندی داده ها تأثیر به‌سزایی در پیشبینی مقادیر غلظت داشته است و همان مقادیر (8/0-75/0= R^2و?g/m^3 5/8-1/7=RMSE) در قسمت دوم بیانگر قدرت بالای مدل رگرسیون وزندار جغرافیایی در تخمین غلظت بر روی شهر تهران می‌باشند. کلید واژه: پیش بینی PM2.5، شبکه عصبی MLP، خوشه بندی فازی، پهنه بندی، رگرسیون وزندار جغرافیایی.
- Abstract
- Air pollution is one of the environmental problems in Tehran and is under effects of natural and human factors. Natural factors that have effect on the problem are: mountains that surrounded the city, there is don't blowing continuous wind and yearly rainfall is low. The atmospheric pollutants in the Tehran, often is more than normal that it have adverse effect rather shot and loge terms. Forecasting by spatial modeling for urban air pollution is one of strategies to anticipate, identify and necessaries actions to reduce of air pollution. Therefore, if there is a model for predicting and modeling can use in very strategies for prevent of pollution growth and we can indicate high-risk areas and play important and effective role in urban health managements by take necessaries decisions this study try to predict PM2.5 concentration of measuring stations Razi with MLP neural network and zoning the concentration with using of geographically weighted regression model in the Tehran. The prediction model in order to importing the Homogeneous information for the training neural network use of fuzzy c-mean clustering. Information that were used for train the neural network are: PM2.5 concentration , temperature, wind speed, wind direction, relative humidity, cloud cover, intensity and temperature inversion , that was provided for both years(2011-2012 )(1391 and 1392). In the pollution zoning at first by using of air quality stations concentrations and parameters that effected on air pollution concentrations and geographically weighted regression model, the weight matrices of independent factors was produced. These matrices applied in gridding data that provided for the Tehran and the concentration in grid points was estimated. Then by using of kriging model and results of concentration estimate in grid points method the spatial model was produced. In this study, using off two statistical parameter (RMSE and R2 for evaluate the model performance; results of both phases are indicating both models abilities. So, in the first part of this research evaluation parameters (R2=0.7-0.94, RMSE=3.42-7.6) indicate that the data clustering have a significant influence on the predicted pollution and the same parameters (R2=0.75- 0.8, RMSE=7.1- 8.1) in the second part reflecting high ability of geographical weighted regression model to air pollution mapping on the Tehran . Keywords: Forecasting, PM2.5, fuzzy c-mean clustering, zoning, geographically weighted regression
