بررسی و شناسایی نقاط مناسب جهت نصب حسگرهای کم‌هزینه در پایش برخَط آلودگی هوای شهری

جغرافیا و مخاطرات محیطی

دوره 14، شماره 2 - شماره پیاپی 54، تیر 1404، صفحه 145-172   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/geoeh.2025.92002.1546

نویسندگان

مسعود ابراهیمی قادی¹؛ احمد نوحه گر^{* 2}؛ زینب سازور³؛ محمود بهروزی⁴

¹گروه مهندسی محیط‌زیست، گرایش آلودگی هوا، دانشکده محیط‌زیست،پردیس بین‌المللی کیش، دانشگاه تهران، تهران، ایران

²گروه مهندسی سوانح، آموزش و سیستم‌های محیط‌زیست، دانشکده محیط‌زیست، دانشگاه تهران، تهران، ایران

³گروه مهندسی صنایع، دانشکده مهندسی صنایع، دانشگاه تهران، تهران، ایران

⁴دانشگاه ملایر، ملایر ، ایران

چکیده

استفاده از حسگرهای کم‌هزینه مبتنی بر اینترنت اشیا به روشی نوین برای پایش آلودگی هوای شهری تبدیل شده است. این پژوهش با هدف تعیین مکان بهینه نصب این حسگرها در شهر تهران انجام شد و از روش تصمیم‌گیری چندمعیاره بهره گرفت. یازده زیرمعیار در دو معیار اصلی «میزان آلودگی» و «منابع آلاینده» شناسایی و برای هرکدام لایه‌ای رقومی در محیط GIS تولید شد. ترکیب لایه‌ها با عملگرهای مختلف انجام شد و به کمک رگرسیون OLS  عملگر بهینه (SUM) انتخاب گردید. برای شناسایی الگوهای فضایی، شاخص‌های موران و هات‌اسپات به کار رفت. همچنین، برای تحلیل حساسیت ارتباط زیرمعیارها با نقشه نهایی، از رگرسیون وزن‌دار جغرافیایی (GWR) استفاده شد. نتایج نشان داد که زیرمعیارهای غلظت  PM10، PM2.5 فاصله از پایانه‌های حمل‌ونقل و جایگاه‌های سوخت، بیشترین تأثیر را در جانمایی دارند. خروجی مدل GWR با AICc برابر 4484 و ضریب تعیین 0.98، دقت بالای مدل را نشان داد. نقشه نهایی مکان‌یابی نشان داد که ۱۳٪ از اراضی تهران کاملاً مناسب و ۱۷٪ مناسب برای نصب حسگرها هستند. این مناطق عمدتاً در مرکز، جنوب و جنوب‌غرب تهران واقع شده‌اند؛ جایی که آلودگی هوا و منابع آلاینده متمرکزتر است.

کلیدواژه‌ها

ذرات معلق (PM2.5 وPM10)؛ منطق فازی و توابع عضویت؛ همبستگی فضایی شاخص موران؛ رگرسیون وزن‌دار جغرافیایی (GWR)؛ آلودگی هوای شهری – تهران

مراجع

Aamer, H., Mumtaz, R., Anwar, H., & Poslad, S. (2018). A very low cost, open, wireless, internet of things (iot) air quality monitoring platform. Paper presented at the Proceedings of the 15th International Conference on Smart Cities: Improving Quality of Life Using ICT & IoT (HONET-ICT) (pp. 102-106). IEEE.‏ http://dx.doi.org/10.1109/HONET.2018.8551340

Abdallah, T. (2023). Sustainable mass transit: challenges and opportunities in urban public transportation. Elsevier. https://doi.org/10.1016/C2022-0-01297-6

Ashok, B., Kumar, A. N., Jacob, A., & Vignesh, R. (2022). Emission formation in IC engines. In NOx Emission Control Technologies in Stationary and Automotive Internal Combustion Engines. Elsevier.‏ https://doi.org/10.1016/C2020-0-01213-2

Azizi, A., & Sadeghi, R. (2023). Spatial Analysis of Migration and Drought in Iran using Hot Spot Analysis and Standardized Precipitation Index. Journal of Geography and Environmental Hazards, 12(2), 81-100. [In Persian] https://doi.org/10.22067/geoeh.2022.76710.1230

De Vito, S., Esposito, E., Castell, N., Schneider, P., & Bartonova, A. (2020). On the robustness of field calibration for smart air quality monitors. Sensors and Actuators B: Chemical, 310, 127869.‏ https://doi.org/10.1016/j.snb.2020.127869

 Dimitriou, K., Stavroulas, I., Grivas, G., Chatzidiakos, C., Kosmopoulos, G., Kazantzidis, A., ... & Gerasopoulos, E. (2023). Intra-and inter-city variability of PM2. 5 concentrations in Greece as determined with a low-cost sensor network. Atmospheric Environment, 301, 119713.‏ https://doi.org/10.1016/j.atmosenv.2023.119713

Fattoruso, G., Agresta, A., Guarnieri, G., Lanza, B., Buonanno, A., Molinara, M., ... & Di Francia, G. (2015). Optimal sensors placement for flood forecasting modelling. Procedia Engineering, 119, 927-936. https://doi.org/10.1016/j.proeng.2015.08.971 ‏

Ganji, A., Youssefi, O., Xu, J., Mallinen, K., Lioyd, M., Wang, A., & Hatzopoulou, M. (2023). Design, calibration, and testing of a mobile sensor system for air pollution and built environment data collection: The urban scanner platform. Environmental Pollution, 317, 120720.‏ https://doi.org/10.1016/j.envpol.2022.120720

Gedamu, W. T., Plank-Wiedenbeck, U., & Wodajo, B. T. (2024). A spatial autocorrelation analysis of road traffic crash by severity using Moran’s I spatial statistics: A comparative study of Addis Ababa and Berlin cities. Accident Analysis & Prevention, 200, 107535.‏ https://doi.org/10.1016/j.aap.2024.107535

Gu, H., Yan, W., Elahi, E., & Cao, Y. (2020). Air pollution risks human mental health: an implication of two-stages least squares estimation of interaction effects. Environmental Science and Pollution Research, 27(2), 2036-2043. https://doi.org/10.1007/s11356-019-06612-x

Gu, K., Zhou, Y., Sun, H., Dong, F., & Zhao, L. (2021). Spatial distribution and determinants of PM 2.5 in China’s cities: Fresh evidence from IDW and GWR. Environmental Monitoring and Assessment, 193, 1-22. https://doi.org/10.1007/s10661-020-08749-6

Gulia, S., Nagendra, S. S., Khare, M., & Khanna, I. (2015). Urban air quality management-A review. Atmospheric Pollution Research, 6(2), 286-304.‏ https://doi.org/10.5094/APR.2015.033

Gurram, M. K., Bulusu, L. D., & Kinthada, N. R. (2015). Urban environmental quality assessment at ward level using AHP based GIS multi-criteria modeling–a study on Hyderabad City, India. Asian Journal of Geoinformatics, 15(3), 16-29.‏

Li, H. Z., Gu, P., Ye, Q., Zimmerman, N., Robinson, E. S., Subramanian, R., ... & Presto, A. A. (2019). Spatially dense air pollutant sampling: Implications of spatial variability on the representativeness of stationary air pollutant monitors. Atmospheric Environment: X, 2, 100012.‏ https://doi.org/10.1016/j.aeaoa.2019.100012

Li, Y. M., Khan, M., Khurshid, A., Gulistan, M., Rehman, A. U., Ali, M., ... & Farooque, A. A. (2023). Designing pentapartitioned neutrosophic cubic set aggregation operator-based air pollution decision-making model. Complex & Intelligent Systems, 9(5), 4765-4782. https://doi.org/10.1007/s40747-023-00971-2

Liu, H. J., Sun, Y. N., & Chen, M. H. (2017). Dynamic correlation and causes of urban haze pollution. China Popul. Resour. Environ, 27, 74-81.‏ https://doi.org/10.1007/s11442-022-1975-8

Liu, Y., Ming, T., Peng, C., Wu, Y., Li, W., De Richter, R., & Zhou, N. (2021). Mitigating air pollution strategies based on solar chimneys. Solar Energy, 218, 11-27.‏ https://doi.org/10.1016/j.solener.2021.02.021

Lu, B., Yang, W., Ge, Y., & Harris, P. (2018). Improvements to the calibration of a geographically weighted regression with parameter-specific distance metrics and bandwidths. Computers, Environment and Urban Systems, 71, 41-57.‏ https://doi.org/10.1016/j.compenvurbsys.2018.03.012

Martínez-Minaya, J., Cameletti, M., Conesa, D., & Pennino, M. G. (2018). Species distribution modeling: a statistical review with focus in spatio-temporal issues. Stochastic Environmental Research and Risk Assessment, 32, 3227-3244.‏ https://doi.org/10.1007/s00477-018-1548-7

Miskell, G., Alberti, K., Feenstra, B., Henshaw, G. S., Papapostolou, V., Patel, H., ... & Williams, D. E. (2019). Reliable data from low cost ozone sensors in a hierarchical network. Atmospheric Environment, 214, 116870.‏ https://doi.org/10.1016/j.atmosenv.2019.116870

Nadian, M., Mirzaei, R., & Soltani Mohammadi, S. (2018). Application of Moran'sI Autocorrelation in Spatial-Temporal Analysis of PM2.5 Pollutant (A case Study: Tehran City). Journal of Environmental Health Enginering, 5(3), 197-213. [In Persian] http://dx.doi.org/10.29252/jehe.5.3.197

Saini, I. M. (2024). Spatial Autocorrelation of Tuberculosis Cases in Central Java Province in 2022. Jurnal Biostatistik, Kependudukan, dan Informatika Kesehatan, 4(3), 1, 90-99.‏ http://dx.doi.org/10.20473/jbk.v13i1.2024.90-99

Sayahi, T., Butterfield, A., & Kelly, K. E. (2019). Long-term field evaluation of the Plantower PMS low-cost particulate matter sensors. Environmental Pollution, 245, 932-940.‏ https://doi.org/10.1016/j.envpol.2018.11.065

Schwela, D., Haq, G., Huizenga, C., Han, W. J., Fabian, H., & Ajero, M. (2012). Urban air pollution in Asian cities: status, challenges and management. Routledge.‏

Shen, H., Hou, W., Zhu, Y., Zheng, S., Ainiwaer, S., Shen, G., ... & Tao, S. (2021). Temporal and spatial variation of PM2. 5 in indoor air monitored by low-cost sensors. Science of The Total Environment, 770, 145304.‏ https://doi.org/10.1016/j.scitotenv.2021.145304

 

Snyder, E. G., Watkins, T. H., Solomon, P. A., Thoma, E. D., Williams, R. W., Hagler, G. S., ... & Preuss, P. W. (2013). The changing paradigm of air pollution monitoring. Environmental Science & Technology, 47(20), 11369-11377.‏ https://doi.org/10.1021/es4022602

Sung, Y., Lee, S., Kim, Y., & Park, H. (2019). Development of a smart air quality monitoring system and its operation. Asian Journal of Atmospheric Environment, 13(1), 30-38.‏ http://dx.doi.org/10.5572/ajae.2019.13.1.030

Tagle, M., Rojas, F., Reyes, F., Vásquez, Y., Hallgren, F., Lindén, J., ... & Oyola, P. (2020). Field performance of a low-cost sensor in the monitoring of particulate matter in Santiago, Chile. Environmental Monitoring and Assessment, 192(3), 171.‏ https://doi.org/10.1007/s10661-020-8118-4

Tan, Y., Lipsky, E. M., Saleh, R., Robinson, A. L., & Presto, A. A. (2014). Characterizing the spatial variation of air pollutants and the contributions of high emitting vehicles in Pittsburgh, PA. Environmental Science & Technology, 48(24), 14186-14194. https://doi.org/10.1021/es5034074

Taştan, M. (2022). A low-cost air quality monitoring system based on Internet of Things for smart homes. Journal of Ambient Intelligence and Smart Environments, 14(5), 351-374.‏ https://doi.org/10.3233/AIS-210458

Toscano, D., & Murena, F. (2020). The effect on air quality of lockdown directives to prevent the spread of SARS-CoV-2 pandemic in Campania Region—Italy: indications for a sustainable development. Sustainability, 12(14), 5558.‏ https://doi.org/10.3390/su12145558

Tsui, T., Derumigny, A., Peck, D., Van Timmeren, A., & Wandl, A. (2022). Spatial clustering of waste reuse in a circular economy: A spatial autocorrelation analysis on locations of waste reuse in the Netherlands using global and local Moran’s I. Frontiers in Built Environment, 8, 954642. ‏ https://doi.org/10.3389/fbuil.2022.954642

UNION, P. (2008). Directive 2008/50/EC of the European Parliament and of the Council of 21 May 2008 on ambient air quality and cleaner air for Europe. Official Journal of the European Union.‏ http://data.europa.eu/eli/dir/2008/50/oj

World Health Organization. (2021). Review of evidence on health aspects of air pollution: REVIHAAP project: technical report (No. WHO/EURO: 2013-4101-43860-61757). World Health Organization. Regional Office for Europe.‏ WHO/EURO:2013-4101-43860-61757

Xie, X., Semanjski, I., Gautama, S., Tsiligianni, E., Deligiannis, N., Rajan, R. T., ... & Philips, W. (2017). A review of urban air pollution monitoring and exposure assessment methods. ISPRS International Journal of Geo-Information, 6(12), 389.‏ https://doi.org/10.3390/ijgi6120389

Yang, X., Wang, S., Zhang, W., Zhan, D., & Li, J. (2017). The impact of anthropogenic emissions and meteorological conditions on the spatial variation of ambient SO2 concentrations: A panel study of 113 Chinese cities. Science of the Total Environment, 584, 318-328. https://doi.org/10.1016/j.scitotenv.2016.12.145‏

Zarrar, H., & Dyo, V. (2023). Drive-by air pollution sensing systems: Challenges and future directions. IEEE Sensors Journal, 23(19), 23692-23703.‏ http://dx.doi.org/10.36227/techrxiv.21999125.v2