عنوان

پیش‌بینی آلاینده‌های هوای شهر تبریز با استفاده از روش‌های هوش مصنوعی و زمین آمار

Number

پ۲۹۲۸۷

.Language of Text, Soundtrack etc

per

Title Proper

پیش‌بینی آلاینده‌های هوای شهر تبریز با استفاده از روش‌های هوش مصنوعی و زمین آمار

First Statement of Responsibility

مهدی علیزاده

Name of Publisher, Distributor, etc.

مهندسی عمران

Date of Publication, Distribution, etc.

۱۴۰۰

Specific Material Designation and Extent of Item

۱۰۰ص.

Accompanying Material

سی دی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی عمران گرایش محیط‌زیست

Date of degree

۱۴۰۰/۰۶/۲۴

Text of Note

با سرعت زیاد شهرنشینی در ایران بسیاری از شهرها به‌ویژه کلان‌شهرها با معضلات زیادی مواجهه شدند که عدم پایداری را برای آنها به ارمغان آورده است. این پژوهش بحران آلودگی شهر تبریز به‌عنوان یکی از هشت شهر آلوده ایران را مورد بررسی قرار داده است. در واقع در این تحقیق تلاش شد تا با مدل‌سازی شبکه عصبی مصنوعی (ANN)، داده‌های مفقودی و عدم موجود، تکمیل شده و با استفاده از زمین آمار، به‌صورت مکانی، سناریوهای آلودگی هوای شهر تبریز برای شش آلاینده مورد بررسی قرار گیرند. تراکم آلاینده‌ها در بخش¬های مختلف شهر تبریز به کمک داده‌های ایستگاه‌های مربوطه که شامل هفت ایستگاه بود، بدست آمد. اطلاعات آماری آلاینده‌ها، مربوط به آلاینده-های ذرات معلق هوا (PM10)، (PM5/2)، ازن (O3)، دی‌اکسید گوگرد (SO2)، دی‌اکسید نیتروژن (NO2) و منو اکسید کربن (CO) در بازة زمانی 4 ساله، برای کلیه روزهای سال، از ایستگاه‌های سنجش آلاینده‌های هوای شهر گردآوری و سپس این اطلاعات با استفاده مدل هوش مصنوعی (شبکه عصبی مصنوعی) برای داده‌های مفقودی، کامل گشته و عوامل هواشناسی نظیر رطوبت و دما اضافه شد و سرانجام از افزونه زمین آماری نرم‌افزار Arc GIS در حالت‌های مختلف درون‌یابی و مورد تحلیل قرار گرفت. برای مدل‌سازی زمین آمار آلاینده¬ها برای شهر تبریز، از دو روش Kriging و توزین فاصله معکوس (IDW) استفاده شد. در مورد آلایندة CO، در مدل IDW، علاوه بر شمال شهر، مرکز شهر نیز با آلودگی شدید در مورد آلایندة مدنظر ظاهر شده است که دلیل تردد بیشتر خودروها را می‌توان بدان نسبت داد. در مورد آلایندة NO2، هر دو مدل Kriging و IDW، مرکز شهر را با آلودگی شدید نمایش دادند که تردد بی‌شمار خودرو-ها را می‌توان از دلیل این تمرکز آلودگی در مرکز شهر دانست. در مورد آلایندة O3، هر دو مدل Kriging و IDW، جنوب شهر را با آلودگی بیشتر نمایش دادند که البته شدت آلودگی در مدل IDW بیشتر بود. بیشتر بودن اماکن صنعتی در جنوب شهر را می‌توان از دلایل ازدیاد O3 در آنجا دانست. در مورد آلایندة PM5/2، در مدل Kriging، شمال شهر به‌صورت نواری (در مقابل آلودگی نقطه¬ای مدل IDW) با آلودگی شدید در مورد آلایندة مدنظر ظاهر شده است که دلیل وجود کوهستان و گلباد را می‌توان بدان نسبت داد. در مورد آلایندة PM10 و SO3، در مدل IDW، جنوب شهر به‌صورت موضعی با آلودگی شدید در مورد آلایندة مدنظر ظاهر شده است.

Text of Note

With the rapid pace of urbanization in Iran, many cities, especially metropolitan areas, faced many problems that have brought instability to them. This study examines the pollution crisis of Tabriz as one of the eight polluted cities in Iran and also tries to manage it by modeling and predicting the quantity of air pollutants. In fact, in this study, an attempt was made to complete the missing and non-existent data by modeling the artificial neural network (ANN) and using geostatistics to investigate spatial scenarios of air pollution in Tabriz for six pollutants. The concentrations of pollutants in different parts of Tabriz were obtained with the help of relevant stations, which included seven stations. Pollutant statistical information related to airborne particulate matter (PM10), (PM2.5), ozone (O3), sulfur dioxide (SO2), nitrogen dioxide (NO2), and carbon monoxide (CO) in the range 4-year period, for all days of the year, from air pollution monitoring stations in the city and then this information were completed using the artificial intelligence model (ANN) for missing data, and meteorological factors such as humidity and Temperature were added and finally, the geostatistical plugin of Arc GIS software was interpolated and analyzed in different modes. Kriging and Inverse Distance Weighting (IDW) methods were used to model the pollutant statistics for the city of Tabriz. In the case of CO pollutants, in the IDW model and the north of the city, the city center has also appeared with severe pollution in terms of pollutants, which can be attributed to the fact that most vehicles travel. In the case of NO2 emissions, both the Kriging and IDW models showed the city center to be heavily polluted, which could be attributed to the high concentration of vehicle traffic in the city center. In the case of O3 pollutants, both Kriging and IDW models showed the south of the city with more pollution, although the intensity of pollution was higher in the IDW model. Most of the industrial sites in the south of the city can be considered as one of the reasons for the increase of O3 there. In the case of PM5/2, in the Kriging model, the north of the city appears as a strip (in the case of the point pollution of the IDW model) with severe contamination of the contaminant in question, which is the reason for the presence of mountain and wind vane can be attributed to it. In the case of PM10 and SO3 contaminants, in the IDW model, the south of the city appears locally with a severe contamination of the contaminant in question.

Variant Title

Prediction of Air Pollutants of Tabriz City using artificial intelligence and Geostatistics methods

Entry Element

علیزاده‏،

Part of Name Other than Entry Element

مهدی ‏

Relator Code

تهیه کننده

Entry Element

نورانی،

Entry Element

شیری،

Part of Name Other than Entry Element

وحید‏

Part of Name Other than Entry Element

‏جلال

Dates

استاد راهنما

Dates

استاد مشاور

Entry Element

‏تبریز