پهنه بندی مکانی کربن منوکسید با روش‌های رایج و نوین درون‌یابی (مطالعه موردی: شهر تهران)

گازکربن منوکسید (co) باعث ضایعات عصبی پایدار و مرگ‌ومیر در درازمدت می‌شود. روش های مختلفی برای درون یابی و پهنه بندی co استفاده شده است که هر کدام مزایا و معایبی دارند. هدف اصلی این تحقیق ارزیابی روش های پهنه بندی آلودگی گاز co در شهر تهران می باشد. در این تحقیق روش های درون یابی رایج (وزن دهی معکوس فاصله، تابع پایه شعاعی و کریجینگ (ساده، عادی و عمومی)) و روش های نوین ارائه شده (شبکه عصبی مصنوعی و فازی تاکاگی سوگنو (takagi-sugeno) با خوشه بندی فازی) در حوزه آلودگی هوا ارزیابی شدند. بدین منظور داده های سال 1397 از ایستگاه های سنجش آلودگی هوای شهر تهران (34 ایستگاه) جمع آوری و پس از ارزیابی داده ها، درون یابی co در ماه های مختلف انجام شد. دقت روش های مورد بحث با استفاده از  خطای جذر میانگین مربعات (rmse) و میانگین خطای مطلق (mae) مورد بررسی قرار گرفت. نتایج تحقیق نشان داد خطای درون یابی با روش های ارزیابی شده، بالا می باشد (حداقل ppm0.349r=mse و ppm0.205=mae) که می‌تواند ناشی از تعداد کم ایستگاه های سنجش آلودگی و عدم پراکندگی مناسب آن ها باشد. از بین روش های موجود، روش فازی تاکاگی سوگنو در محاسبات پنج ماه، تابع پایه شعاعی و کریجینگ عادی هرکدام در سه ماه و کریجینگ عمومی در یک ماه به عنوان روش بهینه انتخاب شدند. دقت روش فازی تاکاگی سوگنو با وجود بهینگی در پنج ماه، در بقیه ماه ها نیز به مقادیر بهینه نزدیک بود. لذا، روش فازی تاکاگی سوگنو در مدل سازی آلودگی هوا در شرایطی که تعداد داده ها کم باشد و نرمال بودن داده ها تامین نشود روش مناسب تری می‌باشد. نتایج این تحقیق می تواند در پهنه بندی مکانی سایر پدیده های جغرافیایی نیز کاربرد داشته باشد.

Spatial Distribution of The Carbon Monoxid Using Common and Modern Interpolation Methods (Case study of Tehran)

Air pollution is a major threat to public health, especially in the metropolises (Kalo et al., 2020). Due to the disadvantages of air pollution, understanding the various aspects of this issue is of great importance. Producing accurate air pollution maps plays an important role in managing and quantifying existing and future health risks (Alimissis et al., 2018).Estimating the spatial distribution of air pollution continuously over a wide geographical area, especially in areas that have not been measured is a major concern in health studies (Masroor et al., 2020). Although spatial interpolation methods have been widely used in various applications to estimate unknown values in unsampled locations, many fundamental problems remain unresolved (Kalo et al., 2020). The superior methods extracted in previous research show that the results obtained in one phenomenon or one area are not extendable to all phenomena and places. Therefore, the evaluation and selection of interpolation techniques play an important role in the spatial zoning of CO pollution. Based on the results presented by GarcíaSantos et al. (2020) and given reviewing the methods used in previous research, Inverse Distance Weight (IDW), Kriging (simple, ordinary, and universal), and Radial Base Function (RBF) methods were selected as common and classical methods of evaluation. New interpolation methods including artificial neural networks (ANN) and fuzzybased methods have been developed in various fields. Alimissis et al. (2018) expressed the ability of ANN in predicting the pollutants of nitrogen dioxide, nitrogen monoxide, carbon monoxide, sulfur, and ozone. ANN and linear interpolations have also been used for daily nitrous oxide measurements (Bigaignon et al., 2020). In performed research, only the temporal forecast of air pollution in each station is considered and no spatial zoning is done. Tutmez and Hatipoglu (2010) compared the TakagiSugeno fuzzy method with fuzzy clustering and Universal Kriging in nitrate modeling so that their study demonstrated the superiority of fuzzy methods.Since the spatial distribution of air pollutants is one of the major concerns of Tehran and authorities, the main objective of this research is to evaluate the capability of some proposed methods’ functionality (e.g., ANN and Fuzzy Sugeno by Fuzzy Cmeans Clustering) along with the common interpolation methods (e.g., IDW, RBF and Simple Kriging (SK), Ordinary Kriging (OK) and Universal Kriging (OK)) in estimating carbon monoxide gas pollution.