بررسی تاثیر ترافیک بر انتشار pm2.5 با استفاده از روش رگرسیون وزنی جغرافیایی (gwr) (مطالعه موردی شهر اصفهان)

زمینه و هدف: میزان غلظت pm2.5 (ذرات معلق کمتر از 2.5 میکرون) به دلیل مضرات آن بر سلامت انسان، به یک نگرانی عمومی در شهرها مبدل شده است. در این پژوهش، با توجه به اهمیت موضوع آلودگی هوا، اثر شرایط ترافیک شهری بر روی انتشار آلاینده هوای شهری (pm2.5) با استفاده از مدل رگرسیون وزنی جغرافیایی (gwr) و درون‌یابی به روش وزن دهی معکوس فاصله (idw) با بهره‌گیری از نرم‌افزار arcgis 10.5 مورد ارزیابی قرار گرفت.روش بررسی: داده‌های غلظت pm2.5  در سال 1398 از 9 ایستگاه‌های سنجش آلودگی هوای شهرداری اصفهان، داده‌های بلوک جمعیتی و میزان تردد خودرو در شهر جمع‌آوری و وارد مدل gwr گردید و تهیه نقشه پهنه بندی غلظت آلاینده (به‌صورت فصلی) به روش idw انجام گرفت.یافته ­ها: پس از اجرای رگرسیون وزنی جغرافیایی روی پارامترهای مدل، به منظور ارزیابی اعتبار مدل، مقدار r^2 محاسبه و به جهت بررسی آزمون خودهمبستگی مکانی از شاخص موران استفاده گردید. نزدیک بودن r^2 ذرات معلق به عدد 1 نشان دهنده کارایی بالای مدل است. نتایج شاخص موران نشان داد که مدل gwr مدل خوبی برای بررسی الگوی زمانی مکانی ذرات معلق بوده است.بحث و نتیجه­ گیری: پس از مقایسه نقشه‌ها و بررسی پارامترهای ضریب تعیین، مشخص گردید که تردد خودرو و جمعیت (متغیرهای مستقل) بر روی افزایش آلاینده pm2.5 تاثیر مستقیم دارد. همبستگی بالایی با میزان r^2=0.75 بین آلاینده pm2.5، و متغیرهای مستقل، به خصوص در فصل تابستان مشاهده شد.

study the effects of traffic conditions on the pm2.5 emission geographically weighted regression model (case study: isfahan city)

background objectives: pm2.5 concentration has become a public concern in cities due to its harmful effects on human health. in this study, due to the importance of air pollution, the effect of urban traffic conditions on the emission of urban air pollutants (pm2.5) was studied using geographic weight regression model (gwr) and idw interpolation method.material and methodology: for this purpose, concentration of pm2.5 in 2019 was collected from 9 air pollution monitoring stations of isfahan municipality and population data and traffic in the city were collected and entered into the model. interpolation idw method was used for preparing seasonal air pollutants dispersion maps. after performing geographical weight regression on the model parameters and in order to evaluate the validity of the model, the rmse parameter was used, which is obtained from the difference between the actual value of the concentration and the predicted value and indicates the predictive power of the model. finally, r2 values ​​were calculated and moran’s index was used to examine the spatial autocorrelation test.findings: after performing geographical weight regression on the model parameters, in order to evaluate the validity of the model, the value of r2 was calculated and the moran index was used to examine the spatial autocorrelation test.discussion and conclusion: according to the amount of r2=0.75 for pm2.5, a direct correlation has been shown between this pollutant and independent variables, especially in the summer. the moran index results showed that the gwr model was a good model for investigating the spatial temporal pattern of suspended particles.