اهمیت عوامل انسانی-جمعیتی و محیطی موثر در مدلسازی روند افزایشی PM۲.۵ با استفاده از مدل های یادگیری ماشین (مطالعه موردی: اصفهان)

مقدمه: ذرات معلق با قطری کمتر از ۲٫۵ میکرون سهم قابل توجهی در آلودگی هوا و سلامت انسان دارند. این ذرات معلق از مهم ترین آلاینده های هوا با پیامدهای شدید برای سلامت انسان به شمار می روند. با توجه به اهمیت این ذرات، این مطالعه با هدف مدل سازی روند افزایشی غلظت PM۲.۵ در شهر اصفهان، به عنوان یکی از کلان شهرهای ایران، با استفاده از مدل های یادگیری ماشین و تعیین سهم عوامل محیطی و انسانی جمعیتی موثر بر آن در بازه زمانی ۲۴ ساله (۲۰۰۱ تا ۲۰۲۴) انجام شد.مواد و روش ها: در ابتدا، با استفاده از داده های زمینی PM۲.۵ از ۱۲ ایستگاه پایش آلودگی هوا و تصاویر عمق نوری آئروسل (AOD) استخراج شده از ماهواره (محصول MCD۱۹A۲ از MODIS)، تصاویر ماهانه PM۲.۵ برای کل شهر اصفهان از طریق مدل سازی رگرسیون خطی برآورد شد. سپس آزمون روند من–کندال در نرم افزار TerrSet برای تعیین روند ماهانه تغییرات PM۲.۵ طی ۲۴ سال به کار گرفته شد. بر اساس نتایج، شش ماه شامل آوریل، مه، ژوئن، اوت، اکتبر و مارس که بیشترین درصد مساحت با روند افزایشی را نشان دادند، به عنوان ماه های مطالعه انتخاب شدند. برای مدل سازی روند افزایشی PM۲.۵ از مدل های یادگیری ماشین شامل جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM) و درختان رگرسیون تقویت شده (BRT) در نرم افزار RStudio استفاده شد. اعتبارسنجی با استفاده از منحنی مشخصه عملکرد گیرنده (ROC) و مساحت زیر منحنی (AUC) انجام گرفت، در حالی که اولویت بندی عوامل با استفاده از تحلیل حساسیت Jackknife صورت پذیرفت.نتایج و بحث: تحلیل روند نشان داد که به ترتیب ماه های ژوئن (۸۱٫۱۶% از مساحت)، آوریل (۷۸٫۰۷%)، اوت (۷۱٫۴۱%)، مه (۵۲٫۹۱%)، اکتبر (۴۵٫۷۲%) و مارس (۴۰٫۶۸%) بیشترین گستره مکانی روند افزایشی PM۲.۵ را نشان داده اند. این موضوع بیانگر آن است که اگرچه آلودگی هوا در تمام فصول افزایش یافته است، شدت آن در ماه های گرم و اوایل بهار بیشتر است که احتمالا به دلیل دماهای بالاتر، تشدید واکنش های فتوشیمیایی و پدیده های گرد و غبار است. بیشترین دقت مدل سازی با مقدار AUC برابر با ۰٫۹ مربوط به مدل SVM در ماه اوت بود که نشان دهنده توانایی بالای این مدل در شناسایی الگوهای پیچیده و غیرخطی حاکم بر آلودگی هوا در این ماه است. همچنین بر اساس تحلیل حساسیت Jackknife، دما به عنوان غالب ترین متغیر در پنج ماه از شش ماه (به جز اکتبر) شناخته شد. این امر نقش حیاتی دما را در شکل گیری آلودگی هوا از طریق تاثیر آن بر پایداری جو، واکنش های فتوشیمیایی و تشکیل ذرات ثانویه تایید می کند.نتیجه گیری: این مطالعه با تلفیق داده های زمینی PM۲.۵ با تصاویر ماهواره ای AOD و به کارگیری مدل های یادگیری ماشین همراه با تحلیل حساسیت Jackknife، الگوهای زمانی مکانی آلودگی و عوامل محرک آن ها را در شهر اصفهان با موفقیت شناسایی کرد. نتایج نشان می دهد که اگرچه متغیرهای محیطی، به ویژه دما، نقش بنیادی در افزایش روند PM۲.۵ دارند، اما عوامل انسانی جمعیتی مانند صنعت، ترافیک، کشاورزی و تمرکز جمعیت به عنوان منابع اصلی انتشار عمل کرده و نقشی تعیین کننده و گاهی غالب در افزایش غلظت PM۲.۵ ایفا می کنند. بر اساس این یافته ها، توصیه می شود استقرار صنایع جدید با رعایت حریم مناسب و در اولویت پایین دست جریان باد غالب انجام شود. همچنین نظارت بر خروجی دودکش های صنایع موجود و الزام به استفاده از فناوری های کاهش آلاینده ها به صورت الزامی صورت گیرد. با عنایت به نقش تراکم و فاصله از جاده ها به ویژه در ماه های خرداد و مهر، توسعه حمل ونقل عمومی پاک، گسترش مناطق کم ترافیک و تشدید معاینه فنی خودروها باید در اولویت قرار گیردد. با توجه به اهمیت فاصله از اراضی کشاورزی، ممنوعیت سوزاندن بقایای گیاهی و ترویج کشاورزی حفاظتی می تواند موثر باشد. همچنین افزایش فضای سبز با گونه های بومی و مقاوم به خشکی در نواحی با تراکم جمعیت بالا و نزدیک به مراکز صنعتی، به عنوان راهکاری برای جذب ذرات معلق پیشنهاد می شود. در نهایت، با توجه به نقش تراکم جمعیت، هرگونه سیاست گذاری در زمینه توسعه شهری باید با ملاحظات زیست محیطی و با هدف کاهش تمرکز جمعیت در مناطق بحرانی همراه باشد.

کلیدواژه ها:

آلودگی هوا ، اصفهان ، یادگیری ماشین ، ماشین بردار پشتیبان