تحلیل فضایی آلاینده pm2.5 و همبستگی آماری آن با پارامترهای هواشناسی (شهر تهران)

امروزه آلودگی هوا به‌عنوان یکی از معضلات مهم شهرنشینی و زندگی صنعتی مطرح می باشد هدف از این تحقیق، تحلیل فضایی آلاینده pm2.5 و بررسی ارتباط آماری آن با پارامترهای جوی در محدوده کلان‌شهر تهران می‌باشد. جهت رسیدن به این اهداف از 2 سری داده استفاده شده است: 1. داده‌های غلظت روزانه  pm2.5 که از شرکت کنترل کیفیت هوا تهیه شد و 2. داده‌های روزانه پارامترهای هواشناسی (مقدار بارندگی، تبخیر، سرعت حداکثر باد، کمینه رطوبت نسبی، ساعت آفتابی، بیشینه رطوبت نسبی، کمینه دما، بیشینه دما) که از سازمان هواشناسی تهیه و مرتب شدند. برای پهنه‌بندی غلظت pm2.5، از روش وزن دهی معکوس فاصله، استفاده شد. نتایج مدل روش درون‌یابی معکوس فاصله نشان می‌دهد که مناطق 9، 16، 19 و 20 دارای بالاترین مقدار آلودگی ذرات معلق و مناطق 8، 15 و 22 نیز دارای کمترین مقدار غلظت هستند. جهت برقراری ارتباط آماری بین آلاینده pm2.5 و پارامترهای هواشناسی از آزمون همبستگی پیرسون و رگرسیون خطی چندگانه استفاده شد. نتایج همبستگی پیرسون نشان داد که pm2.5 با حداقل و حداکثر دما و ساعات آفتابی همبستگی مستقیم و با سرعت باد حداکثر و مقدار بارندگی همبستگی منفی دارد. ارتباط بین pm2.5 به‌عنوان متغیر وابسته و پارامترهای جوی به‌عنوان متغیرهای مستقل توسط دو مدل رگرسیون خطی (enter و stepwise) برقرار گردید. نتایج این ارتباط نشان داد که ضریب رگرسیون در مدل enter، 0.60 و در مدل stepwise مقدار 0.56 به دست آمد. این مقادیر تقریباً یکسان نشان از عملکرد خوب دو مدل در پیش‌بینی مقدار غلظت pm2.5 دارد. درنهایت جهت انتخاب مدل مناسب‌تر، مقدار خطای استاندارد تخمینی بین دو مدل با هم مقایسه گردید، که با توجه به کمتر بودن مقدار مدل stepwise (5.84) نسبت به مدل enter (6.00)، مدل stepwise مناسب‌تر است.

spatial analysis of pm2.5 and its statistical correlation with meteorological parameters in tehran

air pollution has become one of the major challenges associated with urbanization and industrialization. this study aims to conduct a spatial analysis of pm2.5 pollution and examine its statistical relationship with meteorological parameters in the metropolitan area of tehran. to achieve these objectives, two data sets were utilized: (1) daily pm2.5 concentration data obtained from the air quality control company and (2) daily meteorological data (including rainfall, evaporation, maximum wind speed, minimum and maximum relative humidity, sunshine hours, and minimum and maximum temperatures) provided by the meteorological organization. the inverse distance weighting (idw) method was used to map the spatial distribution of pm2.5 concentrations. the idw results revealed that regions 16, 19, 20, and 9 had the highest levels of particulate matter pollution, while regions 8, 22, and 15 had the lowest concentrations. pearson correlation and multiple linear regression analyses were used to investigate the statistical relationship between pm2.5 levels and meteorological parameters. the pearson correlation results indicated a positive correlation between pm2.5 and minimum/maximum temperature, as well as sunshine hours, and a negative correlation with maximum wind speed and rainfall. two linear regression models (enter and stepwise) were employed to establish the relationship between pm2.5 (dependent variable) and meteorological parameters (independent variables). the results showed regression coefficients of 0.6 for the enter model and 0.565 for the stepwise model, indicating that both models performed well in predicting pm2.5 concentrations. to determine the more suitable model, the estimated standard error was compared, with the stepwise model showing a lower error (5.84) than the enter model (6.0089). therefore, the stepwise model was deemed more appropriate for predicting pm2.5 concentrations.