بررسی تغییرپذیری ساعتی رابطه بین پارامترهای کاربری اراضی و آلاینده Co، با استفاده از مدل رگرسیون کاربری اراضی (Lur) در شهر تهران

مدل‌سازی ارتباط بین کاربری با آلودگی هوا کاربردهای فراوانی در مطالعات شهری دارد اما نقش کاربری و پارامترهای گوناگون آن در تغییر غلظت آلودگی هوا، در ساعات متفاوت، می‌تواند در پیش‌بینی دقیق‌تر مکانی‌ زمانی آلودگی به‌کار رود. در این پژوهش، با مدل‌سازی رگرسیون کاربری اراضی (lur) ساعتی به‌منظور پیش‌بینی مکانی‌‌ زمانی آلاینده مونوکسید کربن (co)، پارامترهای موثر در تغییرات زمانی و مکانی این آلاینده، در طول شبانه‌روز، بررسی شده است. داده­های ساعتی ثبت‌شده در 21 ایستگاه سنجش آلودگی هوا در شهر تهران، طی فصل تابستان، جمع­آوری شده و پارامترهای پیش‌‌بینی‌کننده — شامل تراکم و فاصله از متغیرهای متفاوت، مانند شبکه راه­ها، پوشش گیاهی، ارتفاع و کاربری‌های اراضی گوناگون در سیستم اطلاعات جغرافیایی (gis) — شکل گرفته است. یک مدل کلی و هشت مدل ساعتی در ساعت‌های 3 بامداد، 6 صبح، 9 صبح، 12 ظهر، 3 بعدازظهر، 6 عصر، 9 شب و 12 شب ایجاد شده است. ضریب تعیین ( ) مدل کلی ایجادشده برابر با 0.7899 است که عملکرد مطلوب و کارآیی این مدل را نشان می‌دهد. پس از تحلیل مدل‌های ساعتی تولیدشده، تفاوت‌هایی در‌ پارامترهای به‌کاررفته در این مدل‌ها مشاهده شد که بیان می‌کنند تغییرات زمانی نیز، به‌همراه تغییرات مکانی، نقش موثری در تشکیل مدل‌ها در طول شبانه‌روز ایفا می‌کنند.  مدل‌های ساعتی در بازه 0.51 تا 0.92 قرار دارند که بالاترین آن مربوط به مدل‌های ساعات شبانه و پایین‌‌ترین آن مربوط به ساعات ظهرگاهی است. پارامترهای راه‌های دسترسی محلی اصلی و فرعی و مراکز تجاری و اداری بیشترین تاثیر را در افزایش آلاینده co، در ساعات متفاوت شبانه‌روز، دارند و وجود اماکن و فضاهای سبز، ورزشی و نیز درمانی در مناطق شهری مکان‌هایی با غلظت پایین‌تر آلاینده co به‌وجود می‌آورند.

Study of Hourly Variability of Association between Land Use Parameters and COPollutant Using LUR Model in Tehran

The models of the association between land use and air pollution have wide applications in urban studies, but the landuse role and its different parameters effective on the variability of air pollution concentration in various hours can be used for more accurate Spatiotemporal prediction of pollution. In this study, to make Spatiotemporal prediction of CO pollutants using hourly landuse regression (LUR), the effective parameters on Spatiotemporal variation of this pollutant are investigated during the day and night. The hourly data are collected from 21 air pollution monitoring stations for the summer  in Tehran and the predictive parameters including density and distance from different variables such as road network, vegetation, elevation, and different landuse are generated in the geographic information system (GIS). A general model and 8 hourly models are created at 3 am, 6 am, 9 am, 12 noon, 3 pm, 6 pm and 12 midnight. The coefficient of determination (R2) of the created model is equal to 0.7898, and it shows that the model has an  outstanding performance. By analyzing the generated hourly models, because of the differences in the parameters used in these models, it is denoted that both temporal variability and spatial variability play effective roles in forming the models during the day and night. The coefficient of determination (R2) of the hourly models ranges from 0.51 to 0.92 in which the lowest one and the highest one are related to the noon hours’ models and the nocturnal hours’ models, respectively. The parameters including local access roads and official/commercial areas have the most effect on increasing CO pollutants during the day and night, and the parameters including green space, sports, and medical centers lead to the locations with lower CO pollutants concentration.