تحلیل تغییر غلظت آلاینده‌ها در دوره همه‌گیری کووید-19 و ارائه الگوی مبتنی بر یادگیری ماشین جهت پیش‌بینی آلودگی هوا

در پاسخ به همه‌گیری کووید-19، دولت‌ها در سراسر دنیا به دنبال ارائه راهکاری در راستای مدیریت بحران برای کاهش انتشار آلاینده‌ها ناشی از منابع ترافیکی بودند. ازاین‌رو، تصمیم بر آن شد که تغییرات آلاینده‌های هوا و حجم ترافیک به‌عنوان یکی از زیرمجموعه های شاخص زیست‌‌محیطی توسعه پایدار شهری در زمان همه‌گیری کووید -19 و مقایسه آن با دوره قبل از همه‌گیری در بازه زمانی 1396/11/01 تا 1400/12/29 موردبررسی قرار گیرد. هدف از این پژوهش، مقایسه غلظت آلاینده‌ها در دوره همه‌گیری با دوره قبل از آن و همچنین ارائه الگو برای پیش‌بینی شاخص کیفیت هوا در کلان‌شهرهای ایران است. ابتدا داده های جمع آوری شده آلاینده ها از کلان‌شهرهای ایران پردازش و پاکسازی شدند. بعد از انتخاب ویژگی ها با الگوریتم بهینه‌سازی ازدحام ذرات، روش های یادگیری ماشین اعمال شد. نتایج نشان می دهد الگوی افزایشی و یا کاهشی یکسانی در غلظت آلاینده‌ها در دوران کووید-19 نسبت به قبل از آن، در تمامی کلان‌شهرها دیده نمی‌شود و تاثیر محدودیت ها بر روی غلظت آلاینده ها در شهرهای مختلف، متفاوت است؛ بنابراین لازم است جهت مدیریت این بحران و همچنین بحران آلودگی هوا که می‌تواند در انتشار بیماری نقش چشمگیری داشته باشد، برای هر موقعیت شهری، الگوی محدودیت‌های ترافیکی مختص آن موقعیت تهیه گردد. همچنین نتایج بیانگر این است شاخص کیفیت هوا در اکثر کلان‌شهرهای ایران نه‌تنها کاهش نداشته، بلکه افزایش یافته است؛ بنابراین می بایست تدابیر دقیقی برای مدیریت هرگونه بحران مشابه در آینده در جهت کاهش غلظت آلاینده ها و بهبود شاخص کیفیت هوا با توجه به موقعیت مکانی و جغرافیایی هر شهر در نظر گرفته شود.

analyzing the change in the concentration of pollutants during the covid-19 epidemic and presenting a model based on machine learning to predict air pollution

in response to the covid-19 pandemic, governments worldwide implemented crisis management strategies to reduce emissions from traffic sources. this study examines changes in air pollutant concentrations and traffic volume considered subsets of the environmental index of sustainable urban development—during the covid-19 epidemic, comparing them with the pre-epidemic period from january 21, 2018, to march 20, 2022. the primary objective of this research is to compare pollutant concentrations during the epidemic with those of the pre-pandemic period and to develop a model for predicting the air quality index (aqi) in iran’s metropolitan cities.first, collected pollutant data from iran’s metropolises were processed and cleaned. following feature selection using the particle swarm optimization (pso) algorithm, machine learning methods were applied to analyze the data. the results reveal that no consistent pattern of increase or decrease in pollutant concentrations was observed across all metropolitan cities during the covid-19 pandemic compared to the pre-pandemic period. the effects of restrictions on pollutant concentrations varied significantly across different cities.to manage both the pandemic crisis and the associated air pollution crisis, which may exacerbate the spread of disease, it is essential to design traffic restriction models tailored to the specific conditions of each urban location. additionally, the findings indicate that the air quality index in most of iran’s major cities did not decrease during the pandemic; in fact, it increased. therefore, targeted and precise measures must be adopted to manage similar crises in the future. such measures should aim to reduce pollutant concentrations and improve the air quality index, taking into account the geographical characteristics of each city.