الگوکاوی آلودگی هوای منطقه شهری با استفاده از مدل توسعه یافته روش داده کاوی هم مکان

آلودگی هوا در شهر یکی از مهمترین مسائلی است که روی محیط زیست، سلامت جامعه، اقتصاد، مدیریت مناطق شهری و ... تاثیر می گذارد. شناسایی پارامترهای موثر بر آلودگی هوا از طریق کاوش الگوی هممکانی می تواند به حل معضل آلودگی هوا کمک نماید. الگوی هممکانی بیانگر زیر مجموعه ای از اشیای مکانی است که نمونه های آنها غالبا در یک همسایگی مکانی قرار می گیرند. مدل های موجود کاوش هممکانی بدلیل مشکلاتی همچون در نظر گرفتن تنها نوع داده نقطهای، لحاظ کردن ارتباطات همسایگی داده ها بصورت ورودی مساله و توجه نکردن به الگوهای هممکانی با محوریت یک داده خاص، توانایی استخراج الگوهای مفید برای کاربردهایی مثل آلودگی هوا را ندارند. لذا در این تحقیق مدلی جدید در حوزه کاوش الگوی هممکانی توسعه یافت که: اول، همه نوع داده های مکانی (نقطهای، خطی و سطحی) را در یک ترکیب مشترک در نظر می گیرد. دوم، ارتباطات همسایگی بین اشیا بصورت غیر صریح در نظر گرفته شده و در فرآیند کاوش الگوها استخراج می گردد. سوم، شناسایی الگوها با محوریت یک عنصر مرکزی انجام می گیرد که در بسیاری از کاربردها همچون کاوش الگوهای آلودگی هوا مناسب می باشد و چهارم، با استفاده از تقسیم بندی فضا (محلی سازی) با روش دیاگرام ورونوی ضمن سرعت بخشیدن به فرآیند کاوش الگو، باعث شناسایی الگوهای معنادار بر مبنای مفاهیم مکانی می گردد. مدل توسعه یافته روی داده های بخشی از شهر تهران پیاده سازی و ارزیابی گردید. بررسی الگوهای بدست آمده اولا نشان دهنده صحت الگوهای استخراج شده و عملکرد مدل بود و ثانیاً بیانگر این موضوع بود که الگوهای استخراجی حول آلودگی های متوسط به بالا رخ داد و این آلودگی ها با ترافیک کم، سرعت باد کم و توپوگرافی کم الگوهای معناداری ایجاد کردند. همچنین گرایش الگوهای حاصل به سمت مناطق مرکزی مورد مطالعه یعنی منطقه 6 تهران بود.

Urban Air Pollution Pattern Mining Using an Extended Spatial Co-location Data Mining Method

Air pollution in cities is one of the most problems that effects on human health, environment, economy, urban management and etc. urban managers to overcome to this problem, should determine affecting parameters and also the way that they impact on air pollution to arrange necessary plans for it. Different researches have been assessed parameters such as meteorology, traffic and topography impacts on the air pollution. Identification of affecting parameters on air pollution in urban regions using colocation pattern mining can help to solve this problem. Colocation pattern represents a subset of spatial objects that their instances usually are in close proximity. Existing methods with shorthcomings such as applying only one featuretype, considering spatial relationships explicitly as input data and extracting patterns without any emphasis on a specific object aren’t appropriate to applications such as air pollution. Then, in the present research developed a new colocation pattern mining model so that it can handel mentioned shortcomings. In this research tried to consider affects of all three before mentioned parameters simultaneously on air pollution by extracting prevalent patterns. In this literature to develop the mentioned model, we defined a framework for a data mining problem. As there was a gap in existing literature for considering different feature types, new metrics have been defined to compute the participation ratio for all point, line and polygon data. Actually, the applied metric for point data is the available one but the other ones for line and polygon data have some extensions based on neighborhood to compute these metrics. As the air pollution is a serious problem for Tehran, the developed model implemented and tested on part of Tehran’s data. To apply the proposed method, we classified each of the studied parameters to three different classes (low, normal, high) based on their physical characteristics. The data of 4 days in Farvardin, Tir, Mehr and Dey months selected and used to first, check repeatability of results and second, based on changes in seasons, control the validity of the proposed model. The input value for neighborhood radius is 1500 meter and for prevalence threshold is 0.5. The neighborhood radius is selected based on the average distances between air pollution stations and meaningfully of parameters changes. Also, the prevalence threshold was selected to find patterns which at least half of its instances participate in the pattern. The assessed results of extracted patterns first show the ability and correctness of our proposed model and second represent that medium and high air pollutions produce meaningful patterns with low traffic volume, low wind speed and also low topography. Also, their attitude is towards central regions of our case, region 6 of Tehran. Finally, it is necessary to mention that the air pollution is a spatiotemporal problem and in addition to spatial dimension, we should have an attention to temporal aspect. But in this research, the emphasis is based on spatial extension of model to apply for all feature types. Extending the proposed model to mine spatial and temporal patterns simultaneously is the goal of researchers.