مدل سازی روابط بین تغییرات مکانی- زمانی حجم ترافیک و غلظت آلاینده ی pm2.5 بر پایه مدل رگرسیون وزنی جغرافیایی(gwr) و معکوس فاصله وزنی (idw)، مطالعه موردی: کلانشهر تهران

زمینه و هدف: غلظت بالای pm2.5 مسبب اکثر روزهای ناسالم هوای تهران طی سال های اخیر بوده است؛ به همین منظور مطالعه حاضر با هدف تحلیل فضایی زمانی حجم ترافیک و ارتباط آن با غلظت آلاینده ی pm2.5 در کلانشهر تهران طی سال های 1397-1394 با استفاده از سیستم اطلاعات جغرافیایی (gis) انجام شد.روش کار: در این مطالعه از مدل درون یابی معکوس فاصله وزنی(idw) inverse distance weighting برای پیش بینی و پهنه بندی غلظت آلاینده ی pm2.5 و حجم ترافیک استفاده شد. همچنین از مدل رگرسیون وزنی جغرافیاییgeographically weighted regression (gwr) برای میزان ارتباط غلظت آلاینده pm2.5 و حجم ترافیک در نواحی مختلف کلانشهر تهران طی چهار سال متوالی (1394-1397) استفاده شده است.نتایج: نتایج حاصل از پهنه بندی غلظت آلاینده pm2.5 و حجم ترافیک نشان داد که نواحی جنوب و جنوب غرب بیشترین غلظت آلاینده pm2.5 (میانگین سالانه بیش از μg/m^3 40) و نواحی شرقی و شمالی بیشترین حجم ترافیک را داشته اند؛ همچنین بیشترین مقادیر r2 محلی از مدلgwr برای نواحی شرقی (بین 0.36 تا 0.70) به دست آمد. نتیجه گیری: در بیشتر مناطق تهران نمی توان ارتباط قوی بین غلظت بالای آلاینده pm2.5 و ترافیک یافت. با این وجود، مطالعه حاضر ارتباط ترافیک و غلظت آلاینده pm2.5 را رد نمی کند بلکه علت اصلی غلظت بالای pm2.5 را منابع دیگری می داند که در گام اول، باید شناسایی شوند؛ در گام بعدی برای رسیدن به هوایی پاک تر، به استراتژی های کنترل و کاهش حجم ترافیک پرداخته شود.

Modeling of the Relationships Between Spatio-Temporal Changes of Traffic Volume and Particulate Matter-2.5 Pollutant Concentration based on Geographically Weighted Regression (GWR) and Inverse Distance Weighting (IDW) Model: A Case Study in Tehran Metropolis, Iran

Background and Aim: High concentrations of particulate matter25 (PM2.5) have been the cause of the unhealthiest days in Tehran, Iran in recent years. This study was conducted with the aim of the spatiotemporal analysis of traffic volume and its relationship with PM2.5 pollutant concentrations in Tehran metropolis, Tehran during 20152018, using the Geographic Information System (GIS).Materials and Methods: In this study in different regions of Tehran, the Inverse Distance Weighting (IDW) model was used for prediction and zoning of the PM2.5 concentrations and traffic volume during the period 20152018. In addition, the association between the PM2.5 concentrations and traffic volume was determined based on the Geographically Weighted Regression (GWR) model.Results: The findings showed that the southern and southwestern regions of Tehran had the highest PM2.5 pollutant concentration (annual average more than 40 mu;g/m3), while the eastern and northern regions had the highest traffic volume. In addition, based on the GWR model, the eastern regions were found to have the highest local R2 values (between 0.36 and 0.70).Conclusion: In most regions of Tehran, no strong association can be found between high concentrations of PM2.5 and traffic volume. However, based on the findings of this study we cannot reject the relationship between traffic volume and PM2.5 pollutant but postulate other sources to be the main reason for the high concentrations of PM2.5. Thus, in the first step, these sources should be identified, followed by adopting strategies for traffic volume control and reduction aiming at having a cleaner air in Tehran.