تحلیل تغییر غلظت آلایندهها در دوره همهگیری کووید-19 و ارائه الگوی مبتنی بر یادگیری ماشین جهت پیشبینی آلودگی هوا
در پاسخ به همهگیری کووید-19، دولتها در سراسر دنیا به دنبال ارائه راهکاری در راستای مدیریت بحران برای کاهش انتشار آلایندهها ناشی از منابع ترافیکی بودند. ازاینرو، تصمیم بر آن شد که تغییرات آلایندههای هوا و حجم ترافیک بهعنوان یکی از زیرمجموعههای شاخص زیستمحیطی توسعه پایدار شهری در زمان همهگیر...
Saved in:
Main Authors: | , , |
---|---|
Format: | Article |
Language: | English |
Published: |
Ferdowsi University of Mashhad
2024-10-01
|
Series: | جغرافیا و مخاطرات محیطی |
Subjects: | |
Online Access: | https://geoeh.um.ac.ir/article_44681_bd7e33a0f243063518c88e065eb4ee48.pdf |
Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
_version_ | 1832592561818042368 |
---|---|
author | عباس ملکی صادق عابدی علیرضا ایرج پور |
author_facet | عباس ملکی صادق عابدی علیرضا ایرج پور |
author_sort | عباس ملکی |
collection | DOAJ |
description | در پاسخ به همهگیری کووید-19، دولتها در سراسر دنیا به دنبال ارائه راهکاری در راستای مدیریت بحران برای کاهش انتشار آلایندهها ناشی از منابع ترافیکی بودند. ازاینرو، تصمیم بر آن شد که تغییرات آلایندههای هوا و حجم ترافیک بهعنوان یکی از زیرمجموعههای شاخص زیستمحیطی توسعه پایدار شهری در زمان همهگیری کووید -19 و مقایسه آن با دوره قبل از همهگیری در بازه زمانی 01/11/1396 تا 29/12/1400 موردبررسی قرار گیرد. هدف از این پژوهش، مقایسه غلظت آلایندهها در دوره همهگیری با دوره قبل از آن و همچنین ارائه الگو برای پیشبینی شاخص کیفیت هوا در کلانشهرهای ایران است. ابتدا دادههای جمعآوری شده آلایندهها از کلانشهرهای ایران پردازش و پاکسازی شدند. بعد از انتخاب ویژگیها با الگوریتم بهینهسازی ازدحام ذرات، روشهای یادگیری ماشین اعمال شد. نتایج نشان میدهد الگوی افزایشی و یا کاهشی یکسانی در غلظت آلایندهها در دوران کووید-19 نسبت به قبل از آن، در تمامی کلانشهرها دیده نمیشود و تأثیر محدودیتها بر روی غلظت آلایندهها در شهرهای مختلف، متفاوت است؛ بنابراین لازم است جهت مدیریت این بحران و همچنین بحران آلودگی هوا که میتواند در انتشار بیماری نقش چشمگیری داشته باشد، برای هر موقعیت شهری، الگوی محدودیتهای ترافیکی مختص آن موقعیت تهیه گردد. همچنین نتایج بیانگر این است شاخص کیفیت هوا در اکثر کلانشهرهای ایران نهتنها کاهش نداشته، بلکه افزایش یافته است؛ بنابراین میبایست تدابیر دقیقی برای مدیریت هرگونه بحران مشابه در آینده در جهت کاهش غلظت آلایندهها و بهبود شاخص کیفیت هوا با توجه به موقعیت مکانی و جغرافیایی هر شهر در نظر گرفته شود. |
format | Article |
id | doaj-art-44b4afc9d3d443daa2f85ce6a0c61b8e |
institution | Kabale University |
issn | 2322-1682 2383-3076 |
language | English |
publishDate | 2024-10-01 |
publisher | Ferdowsi University of Mashhad |
record_format | Article |
series | جغرافیا و مخاطرات محیطی |
spelling | doaj-art-44b4afc9d3d443daa2f85ce6a0c61b8e2025-01-21T06:39:37ZengFerdowsi University of Mashhadجغرافیا و مخاطرات محیطی2322-16822383-30762024-10-0113331033810.22067/geoeh.2023.83939.140544681تحلیل تغییر غلظت آلایندهها در دوره همهگیری کووید-19 و ارائه الگوی مبتنی بر یادگیری ماشین جهت پیشبینی آلودگی هواعباس ملکی0صادق عابدی1علیرضا ایرج پور2دانشجوی دکترا، رشته مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه آزاد اسلامی واحد قزوین، قزوین، ایراناستادیار، دانشکده مدیریت و حسابداری، دانشگاه آزاد اسلامی واحد قزوین، قزوین، ایران- استادیار، دانشکده مدیریت و حسابداری، دانشگاه آزاد اسلامی واحد قزوین، قزوین، ایراندر پاسخ به همهگیری کووید-19، دولتها در سراسر دنیا به دنبال ارائه راهکاری در راستای مدیریت بحران برای کاهش انتشار آلایندهها ناشی از منابع ترافیکی بودند. ازاینرو، تصمیم بر آن شد که تغییرات آلایندههای هوا و حجم ترافیک بهعنوان یکی از زیرمجموعههای شاخص زیستمحیطی توسعه پایدار شهری در زمان همهگیری کووید -19 و مقایسه آن با دوره قبل از همهگیری در بازه زمانی 01/11/1396 تا 29/12/1400 موردبررسی قرار گیرد. هدف از این پژوهش، مقایسه غلظت آلایندهها در دوره همهگیری با دوره قبل از آن و همچنین ارائه الگو برای پیشبینی شاخص کیفیت هوا در کلانشهرهای ایران است. ابتدا دادههای جمعآوری شده آلایندهها از کلانشهرهای ایران پردازش و پاکسازی شدند. بعد از انتخاب ویژگیها با الگوریتم بهینهسازی ازدحام ذرات، روشهای یادگیری ماشین اعمال شد. نتایج نشان میدهد الگوی افزایشی و یا کاهشی یکسانی در غلظت آلایندهها در دوران کووید-19 نسبت به قبل از آن، در تمامی کلانشهرها دیده نمیشود و تأثیر محدودیتها بر روی غلظت آلایندهها در شهرهای مختلف، متفاوت است؛ بنابراین لازم است جهت مدیریت این بحران و همچنین بحران آلودگی هوا که میتواند در انتشار بیماری نقش چشمگیری داشته باشد، برای هر موقعیت شهری، الگوی محدودیتهای ترافیکی مختص آن موقعیت تهیه گردد. همچنین نتایج بیانگر این است شاخص کیفیت هوا در اکثر کلانشهرهای ایران نهتنها کاهش نداشته، بلکه افزایش یافته است؛ بنابراین میبایست تدابیر دقیقی برای مدیریت هرگونه بحران مشابه در آینده در جهت کاهش غلظت آلایندهها و بهبود شاخص کیفیت هوا با توجه به موقعیت مکانی و جغرافیایی هر شهر در نظر گرفته شود.https://geoeh.um.ac.ir/article_44681_bd7e33a0f243063518c88e065eb4ee48.pdfشاخص کیفیت هوا (aqi)انتشارهای ترافیکیهمهگیری کووید-۱۹مدلهای یادگیری ماشینآلودگی هوای شهریارزیابی اثرات زیستمحیطی |
spellingShingle | عباس ملکی صادق عابدی علیرضا ایرج پور تحلیل تغییر غلظت آلایندهها در دوره همهگیری کووید-19 و ارائه الگوی مبتنی بر یادگیری ماشین جهت پیشبینی آلودگی هوا جغرافیا و مخاطرات محیطی شاخص کیفیت هوا (aqi) انتشارهای ترافیکی همهگیری کووید-۱۹ مدلهای یادگیری ماشین آلودگی هوای شهری ارزیابی اثرات زیستمحیطی |
title | تحلیل تغییر غلظت آلایندهها در دوره همهگیری کووید-19 و ارائه الگوی مبتنی بر یادگیری ماشین جهت پیشبینی آلودگی هوا |
title_full | تحلیل تغییر غلظت آلایندهها در دوره همهگیری کووید-19 و ارائه الگوی مبتنی بر یادگیری ماشین جهت پیشبینی آلودگی هوا |
title_fullStr | تحلیل تغییر غلظت آلایندهها در دوره همهگیری کووید-19 و ارائه الگوی مبتنی بر یادگیری ماشین جهت پیشبینی آلودگی هوا |
title_full_unstemmed | تحلیل تغییر غلظت آلایندهها در دوره همهگیری کووید-19 و ارائه الگوی مبتنی بر یادگیری ماشین جهت پیشبینی آلودگی هوا |
title_short | تحلیل تغییر غلظت آلایندهها در دوره همهگیری کووید-19 و ارائه الگوی مبتنی بر یادگیری ماشین جهت پیشبینی آلودگی هوا |
title_sort | تحلیل تغییر غلظت آلایندهها در دوره همهگیری کووید 19 و ارائه الگوی مبتنی بر یادگیری ماشین جهت پیشبینی آلودگی هوا |
topic | شاخص کیفیت هوا (aqi) انتشارهای ترافیکی همهگیری کووید-۱۹ مدلهای یادگیری ماشین آلودگی هوای شهری ارزیابی اثرات زیستمحیطی |
url | https://geoeh.um.ac.ir/article_44681_bd7e33a0f243063518c88e065eb4ee48.pdf |
work_keys_str_mv | AT ʿbạsmlḵy tḥlyltgẖyyrgẖlẓtậlạyndhhạdrdwrhhmhgyryḵwwyd19wạrạỷhạlgwymbtnybryạdgyrymạsẖynjhtpysẖbynyậlwdgyhwạ AT ṣạdqʿạbdy tḥlyltgẖyyrgẖlẓtậlạyndhhạdrdwrhhmhgyryḵwwyd19wạrạỷhạlgwymbtnybryạdgyrymạsẖynjhtpysẖbynyậlwdgyhwạ AT ʿlyrḍạạyrjpwr tḥlyltgẖyyrgẖlẓtậlạyndhhạdrdwrhhmhgyryḵwwyd19wạrạỷhạlgwymbtnybryạdgyrymạsẖynjhtpysẖbynyậlwdgyhwạ |