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...

Full description

Saved in:
Bibliographic Details
Main Authors: عباس ملکی, صادق عابدی, علیرضا ایرج پور
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