مدلسازی تاثیرات جریان های ترافیکی بر آلودگی هوای شهر شیراز

سابقه و هدف: در کشور ایران حمل و نقل و جریان­های ترافیکی بیشترین علت آلودگی هوا را تشکیل می­دهند. بر­همین اساس مساله بررسی تاثیرات حمل و نقل و جریان­های ترافیکی بر کیفیت هوا خصوصا در مناطق شهری و انجام پیش­بینی­ها و برنامه­ریزی­های لازم متناسب با آن، امری ضروری بحساب می­آید. با این­حال متاسفانه در این زمینه کار­های زیادی در ایران صورت نگرفته است. شناسایی منابع آلاینده از مهم­ترین و زمان­بر ترین مراحل مدل­سازی آلودگی هواست. برای مدل­سازی آلودگی هوای یک منطقه نمی­توان تنها یک متغیر را در نظر گرفت؛ بلکه باید متغیر­های فراوانی را مورد مطالعه، بررسی و برنامه­ریزی قرار داد. برخی اقدامات، تغییرات محسوسی در وضعیت آلودگی هوای کلان شهر­ها ایجاد می­کند. بنابراین، انجام یکسری اقدامات می­تواند کاهش آلودگی هوا را به دنبال داشته باشد که اتخاذ روش­های نوین سنجش آلاینده­های هوا یکی آنهاست. هدف اصلی این تحقیق ارائه مدلی هوش­مند است که بتوان به کمک آن در شرایط خیابان­های شهری غلظت آلاینده­هایی از قبیل ،    و CO را با دقت مناسبی تخمین زد و با بررسی علل و عوامل تولید این آلاینده­ها و پیش­بینی آلودگی هوا، اقدامات و برنامه­ریزی­های لازم در راستای مدیریت و کنترل آلودگی هوا را انجام داد.مواد و روش ها: در این مقاله یک مدل شبکه عصبی و یک مدل غیر­خطی مبتنی بر فضای حالت بر مبنای ترافیک شهر شیراز طراحی شده است. در این مدل­سازی غلظت آلاینده­های  مورد بررسی قرار گرفته و نهایتا با استفاده از فیلتر کالمن برای یک دوره ۲۴ ساعته پیش­بینی شده است. این مدل­سازی برمبنای رابطه بین غلظت آلاینده­ها و ترافیک و آلودگی اولیه و اطلاعات هواشناسی می­باشد. الگوریتم فیلتر کالمن توسعه یافته با استفاده از داده­ی آلودگی و ترافیکی و هم­چنین داده­های هواشناسی به منظور پیش­بینی ۲۴ ساعته آلودگی نقاط مختلف شهر شیراز انجام گرفت. مشخصه کلیدی چنین سیستمی این است که رفتار آن با تغییرات آلودگی در کوتاه مدت منطبق می ­شود و نیاز به تنظیمات مکرر ندارد. روش شبکه عصبی و فیلتر کالمن به اطلاعات شهر شیراز اعمال شد.نتایج و بحث: در این کار به بررسی داده­های ترافیکی و داده­های آلودگی ناشی از غلظت آلاینده­ها پرداخته شده، سپس تلاش شده است که داده­های آلودگی با نقاط معنی­دار شهر شیراز تطبیق داده­ شود و بسیاری از داده­های آلودگی و ترافیکی به دلیل عدم تطابق با یکدیگر از نظر مکانی حذف شدند. در نهایت مدل­سازی بر اساس آن بهنگام شده و نتیجه این مطالعات با نتایج واقعی تطبیق داده شد. این ساختار مدل غیرخطی استفاده تکاملی و انعطاف­پذیری را ارائه می­دهد. به این معنا که ارزیابی کلی عملکرد مدل می­تواند به راحتی با اضافه یا کم کردن متغیر جدید انجام گیرد. از طرفی در صورت در اختیار داشتن داده­های متناظر با هر ایستگاه جدید دیگر می­توان براحتی مطالعات را برای نقاط دیگر شهر شیراز بسط داد. به این ترتیب اگر ترافیک در بعضی نقاط شهر شیراز در دسترس باشد، می­توان با بعضی مانورهای ترافیکی آلودگی را به سمت­های دیگر بسط داده و در مناطق بحرانی کاهش داد.نتیجه گیری: نتایج بصورت آزمایشی نشان می­ دهد که مدل ها و  خصوصا مدل فیلتر کالمن توسعه یافته غلظت آلاینده ­ها را بخوبی پیش­بینی می­ کند.

کلیدواژه ها:

مدل سازی ، آلودگی هوا ، ترافیک ، شبکه عصبی ، فیلتر کالمن