کاربرد شاخص خود‌همبستگی فضایی موران در تحلیل فضایی-زمانی آلاینده‌ی pm2.5 (مطالعه موردی: شهر تهران)

زمینه و هدف: ذرات معلق یکی از مهم ترین آلاینده های هوای شهرهای ایران به ویژه تهران است که به دلیل خطرات بهداشتی متعدد سلامت ایرانی ها را تهدید می کند. میزان خطرات این ذرات به تغییرات زمانی مکانی غلظت آن ها در هوا بستگی دارد. از این رو، هدف این پژوهش، تحلیل مکانی و زمانی pm2.5 در هوای شهر تهران با استفاده از سامانه اطلاعات جغرافیایی است.مواد و روش ها: داده های ساعتی غلظت pm2.5 طی سال 1395 از 38 ایستگاه سنجش آلودگی هوا جمع آوری شد و به صورت ماهانه، فصلی و سالانه آنالیز شد. به منظور پهنه بندی غلظت pm2.5، از درون یابی وزن دهی معکوس فاصله استفاده شد. وجود خودهمبستگی مکانی در داده ها توسط شاخص موران بررسی شد و خوشه بندی داده ها توسط شاخص های موران جهانی و محلی صورت پذیرفت و نهایتاً جهت تعیین لکه های داغ این آلاینده در شهر تهران از شاخص getis-ord-gi استفاده شد. یافته ها: نتایج حاصل از پهنه بندی و خودهمبستگی مکانی محلی و جهانی به همراه تحلیل لکه های داغ غلظت آلاینده ی pm2.5 نشان داد که غلظت این آلاینده از سمت شمال به جنوب تهران روند افزایشی دارد به طوری که مناطق واقع در جنوب تهران به ویژه ایستگاه های شهر ری، از آلوده ترین مناطق شهر تهران بودند. همچنین نتایج نشان داد که غلظت این آلاینده در دو فصل سرد بیش تر بود به طوری که بیشترین لکه های داغ در این دو فصل شناسایی شدند. نتیجه گیری: استفاده هم زمان از چند تحلیل مکانی نشان داد که شهر تهران به دو بخش شمال غیرآلوده و جنوب آلوده قابل تفکیک است که این موضوع باید توسط برنامه ریزان شهری جهت بهبود کیفیت هوای تهران در نظرگرفته شود.

Application of Moran'sI Autocorrelation in Spatial-Temporal Analysis of PM2.5 Pollutant (A case Study: Tehran City)

Background and Objectives: PM2.5 particulate matter is one of the major air pollutants in cities of Iran especially Tehran, which threaten health of Iranian people due to numerous health hazards. Risk levels of these particulate depend on spatialtemporal changes in the air. Hence, this study aimed spatialtemporal analysis of PM2.5 concentration in Tehran's air using the Geographic Information System.Material and methods: Hourly data of PM2.5 concentration was collected in 20162017 from 38 air pollution monitoring stations and was analyzed monthly, seasonally and annually. Inverse Distance Weighting interpolation method was used in order to present concentration maps of the PM2.5. Existence of spatial autocorrelation in data was analyzed by Moran's I and data clustering was accomplished by Global and Local Moran's I and finally GetisOrdGi index was used to determine hot spots of this pollutant in Tehran.Results: Results of concentration maps of PM2.5 and global and local spatial autocorrelation with PM2.5 concentration hot spot analysis showed that the concentration of this pollutant has an incremental mode from the north to the south of Tehran so that areas in south of Tehran especially Ray stations were the most polluted areas in Tehran. In addition, results showed that the concentration of this pollutant was more in the two colder seasons so that most hot spots were identified in these seasons.Conclusion: Using several spatial analyses simultaneously showed that Tehran can be separated into two parts of nonpolluted north and polluted south, which this issue should be considered by urban planners to improve Tehran's air quality.