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

جغرافیا و مخاطرات محیطی

مقاله 12، دوره 13، شماره 3 - شماره پیاپی 51، آبان 1403، صفحه 310-338   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/geoeh.2023.83939.1405

نویسندگان

عباس ملکی¹؛ صادق عابدی^{* 2}؛ علیرضا ایرج پور³

¹دانشجوی دکترا، رشته مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه آزاد اسلامی واحد قزوین، قزوین، ایران

²استادیار، دانشکده مدیریت و حسابداری، دانشگاه آزاد اسلامی واحد قزوین، قزوین، ایران

³- استادیار، دانشکده مدیریت و حسابداری، دانشگاه آزاد اسلامی واحد قزوین، قزوین، ایران

چکیده

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 زیرمجموعه­های شاخص زیست‌‌محیطی توسعه پایدار شهری در زمان همه‌گیری کووید -19 و مقایسه آن با دوره قبل از همه‌گیری در بازه زمانی 01/11/1396 تا 29/12/1400 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 داده­های جمع­آوری شده آلاینده­ها از کلان‌شهرهای ایران پردازش و پاکسازی شدند. بعد از انتخاب ویژگی­ها با الگوریتم بهینه‌سازی ازدحام ذرات، روش­های یادگیری ماشین اعمال ­شد. نتایج نشان می­دهد الگوی افزایشی و یا کاهشی یکسانی در غلظت آلاینده‌ها در دوران کووید-19 نسبت به قبل از آن، در تمامی کلان‌شهرها دیده نمی‌شود و تأثیر محدودیت­ها بر روی غلظت آلاینده­ها 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 می­بایست تدابیر دقیقی برای مدیریت هرگونه بحران مشابه در آینده در جهت کاهش غلظت آلاینده­ها و بهبود شاخص کیفیت هوا با توجه به موقعیت مکانی و جغرافیایی هر شهر در نظر گرفته شود.

کلیدواژه‌ها

شاخص کیفیت هوا (AQI)؛ انتشارهای ترافیکی؛ همه‌گیری کووید-۱۹؛ مدل‌های یادگیری ماشین؛ آلودگی هوای شهری؛ ارزیابی اثرات زیست‌محیطی

مراجع

Alava. J. J., & Singh. G. G. (2022). Changing air pollution and CO2 emissions during the COVID-19    pandemic: Lesson learned and future equity concerns of post-COVID recovery. Environmental Science & Policy, 130, 1-8. https://doi.org/10.1016/j.envsci.2022.01.006

Bellaachia, A., & Guven, E. (2006). Predicting Breast Cancer Survivability Using Data Mining Techniques. Age, 58(13), 10-1103.

Berry, M. J. A., & Linoff, G. (2000). Mastering Data Mining: The Art and Science of Customer Relationship Management. New York: John Wiley & Sons Inc.

Berson, A., & Thearling, K. (1999). Building data mining applications for CRM. New York: McGraw-Hill, Inc.

Clark, H., & Gruending, A. (2020). Invest in health and uphold rights to “build back better” after COVID-19. Sexual and Reproductive Health Matters, 28(2), 1781583. http://doi.org/10.1080/26410397.2020.1781583

Forbes. (2020). Traffic Congestion Costs U.S. Cities Billions Of Dollars Every Year. 2020, from https://www.forbes.com/sites/niallmccarthy/2020/03/10/traffic-congestion-costs-us-cities-billions-of-dollars-every-year-infographic/%2320eda7cb4ff8

González-Pardo, J., Ceballos-Santos, S., Manzanas, R., Santibáñez, M., & Fernández-Olmo, I.  (2022). Estimating changes in air pollutant levels due to COVID-19 lockdown measures based on a business-as-usual prediction scenario using data mining models: A case-study for urban traffic sites in Spain. Science of the Total Environment, 823, 153786. https://doi.org/10.1016/j.scitotenv.2022.153786

Gualtieri, G., Brilli, L., Carotenuto, F., Vagnoli, C., Zaldei, A., & Gioli, B. (2020). Quantifying road traffic impact on air quality in urban areas: a COVID19-induced lockdown analysis in Italy. Environmentall Pollution, 267, 115682. https://doi.org/10.1016/j.envpol.2020.115682

Hay, N., Onwuzurike, O., Roy, S. P., McNamara, P., McNamara, M. L., & McDonald, W. (2023). Impact of traffic on air pollution in a mid-sized urban city during COVID-19 lockdowns. Air Quality, Atmosphere & Health, 16(6), 1141-1152. https://doi.org/10.1016/j.envpol.2020.115682

Haykin, S. (1998). Neural networks: a comprehensive foundation. New Jersey: Prentice Hall PTR.

Ho, S. L., Yang, S., Ni, G., Lo, E. W., & Wong, H. C. C. (2005). A particle swarm optimization-based method for multiobjective design optimizations. IEEE transactions on magnetics, 41(5), 1756-1759. https://doi.org/10.1109/TMAG.2005.846033

Hsu, C. W. (2003). A Practical Guide to Support Vector Classification. Department of Computer Science, National Taiwan University.

Huangfu, P., & Atkinson, R. (2020). Long-term exposure to NO2 and O3 and all-cause and respiratory mortality: A systematic review and meta-analysis. Environment international, 144, 105998. https://doi.org/10.1016/j.envint.2020.105998

Hudda, N., Simon, M. C., Patton, A. P., & Durant, J. L. (2020). Reductions in traffic-related black carbon and ultrafine particle number concentrations in an urban neighborhood during the COVID-19 pandemic. Science of the Total Environment, 742, 140931. https://doi.org/10.1016/j.scitotenv.2020.140931

Jia, C., Fu, X., Bartelli, D., & Smith, L. (2020). Insignificant impact of the “Stay-At-Home” order on ambient air quality in the Memphis metropolitan area, USA. Atmosphere, 11(6), 630. https://doi.org/10.3390/atmos11060630

Kantardzic, M. (2003). Data Mining: Concepts, models, methods, and algorithms. Technometrics, 45(3), 277.

Larose, D. T. (2005). Discovering knowledge in data: an introduction to data mining. New York: John Wiley & Sons Inc.

Lee, D., Robertson, C., McRae, C., & Baker, J. (2022). Quantifying the impact of air pollution on Covid-19 hospitalisation and death rates in Scotland. Spatial and Spatio-temporal Epidemiology, 42, 100523. https://doi.org/10.1016/j.sste.2022.100523

Lin, G. Y., Chen, W. Y., Chieh, S. H., & Yang, Y. T. (2022). Chang impact analysis of level 3 COVID-19 alert on air pollution indicators using artificial neural network. Ecological Informatics, 69, 101674. https://doi.org/10.1016/j.ecoinf.2022.101674

Liu, J., Lipsitt, J., Jerrett, M., & Zhu, Y. (2020). Decreases in near-road NO and NO2 concentrations during the COVID-19 pandemic in California. Environmental Science & Technology Letters, 8(2), 161-167. https://doi.org/10.1021/acs.estlett.0c00815

Lv, Y., Tian, H., Luo, L., Liu, S., Bai, X., Zhao, H., ... & Yang, J. (2022). Meteorology-normalized variations of air quality during the COVID-19 lockdown in three Chinese megacities. Atmospheric Pollution Research, 13(6), 101452. https://doi.org/10.1016/j.apr.2022.101452

Munnoli, P. M., Nabapure, S., & Yeshavanth, G. (2020). Post-COVID-19 precautions based on lessons learned from past pandemics: a review. Journal of Public Health, 1–9. https://doi.org/10.1007/s10389-020-01371-3

Patan, K. (2019). Neural Networks. Pp. 9-58. In: Patan, K. (eds). Neural Networks Robust and Fault-Tolerant Control Neural-Network-Based Solutions. Springer- Cham, Switzerland.

Paul, A., Mukherjee, D. P., Das, P., Gangopadhyay, A., Chintha, A. R., & Kundu, S. (2018). Improved random forest for classification. IEEE Transactions on Image Processing, 27(8), 4012-4024. https://doi.org/10.1109/TIP.2018.2834830

Saharan, U. S., Kumar, R., Tripathy, P., Sateesh, M., Garg, J., Sharma, S. K., & Mandal, T. K. (2022). Drivers of air pollution variability during second wave of COVID-19 in Delhi, India. Urban Climate, 41, 101059. https://doi.org/10.1016/j.uclim.2021.101059

Sanchez-Lorenzo, A., Vaquero-Martínez, J., Calbó, J., Wild, M., Santurtún, A., Lopez-Bustins, J. A., ... & Antón, M. (2021). Did anomalous atmospheric circulation favor the spread of COVID-19 in Europe?. Environmental research, 194, 110626. https://doi.org/10.1016/j.envres.2020.110626

Shangguan, Z., Wang, M. Y., & Sun, W. (2020). What caused the outbreak of COVID-19 in China: From the perspective of crisis management. International journal of environmental research and public health, 17(9), 3279. https://doi.org/10.3390/ijerph17093279

Shen, L., Ochoa, J. J., & Bao, H. (2023). Strategies for Sustainable Urban Development-Addressing the Challenges of the 21st Century. Buildings, 13(4), 847. https://doi.org/10.3390/buildings13040847

Ticehurst, J. L., Letcher, R. A., & Rissik, D. (2008). Integration modelling and decision support: A case study of the Coastal Lake Assessment and Management (CLAM) Tool. Mathematics and Computers in Simulation, 78(2-3), 435-449. https://doi.org/10.1016/j.matcom.2008.01.024

Uday, U., Bethineedi, L. D., Hasanain, M., Ghazi, B. K., Nadeem, A., Patel, P., & Khalid, Z. (2022). Effect of COVID-19 on air pollution related illnesses in India. Annals of medicine and surgery, 78, 103871. https://doi.org/10.1016/j.amsu.2022.103871

Wang, S., Ma, Y., Wang, Z., Wang, L., Chi, X., Ding, A., ... & Zhang, Y. (2021). Mobile monitoring of urban air quality at high spatial resolution by low-cost sensors: impacts of COVID-19 pandemic lockdown. Atmospheric Chemistry and Physics, 21(9), 7199-7215. https://doi.org/10.5194/acp-21-7199-2021

Wen, C., Akram, R., Irfan, M., Iqbal, W., Dagar, V., Acevedo-Duqued, Á., & Saydaliev, H. B. (2022). The asymmetric nexus between air pollution and COVID-19: evidence from a non-linear panel autoregressive distributed lag model. Environmental research, 209, 112848. https://doi.org/10.1016/j.envres.2022.112848

Wijnands, J. S., Nice, K. A., Seneviratne, S., Thompson, J., & Stevenson, M. (2022). The impact of the COVID-19 pandemic on air pollution: A global assessment using machine learning techniques. Atmospheric Pollution Research, 13(6), 101438. https://doi.org/10.1016/j.apr.2022.101438

Xiang, J., Austin, E., Gould, T., Larson, T., Shirai, J., Liu, Y., ... & Seto, E. (2020). Impacts of the COVID-19 responses on traffic-related air pollution in a Northwestern US city. Science of the Total Environment, 747, 141325. https://doi.org/10.1016/j.scitotenv.2020.141325

Zeng, J., & Wang, C. (2022). Temporal characteristics and spatial heterogeneity of air quality changes due to the COVID-19 lockdown in China. Resources, Conservation and Recycling, 181, 106223. https://doi.org/10.1016/j.resconrec.2022.106223