توزیع زمانی و مکانی آلاینده های شاخص آلودگی هوای شهر مشهد و عوامل موثر بر آن

در دهه های اخیر، رشد جمعیت، گسترش شهرها و افزایش روزافزون وسایط نقلیه و نیز توسعه صنایع مختلف سبب مصرف روزافزون سوخت های فسیلی و در نتیجه افزایش آلودگی هوا در بسیاری از کلان شهرهای جهان از جمله شهر مشهد شده است. بدیهی است که با توجه به اثرات جبران ناپذیر آلودگی هوا بر سلامتی انسان ها، بررسی همه جانبه آلودگی هوا در شهرهای آلوده از اهمیت ویژه ای برخوردار است. هدف از انجام پایان نامه حاضر، بررسی توزیع زمانی و مکانی آلاینده های شاخص آلودگی هوا (شامل منواکسیدکربن، دی اکسیدگوگرد، دی اکسیدنیتروژن، ازن، pm10 و pm2.5) در شهر مشهد و نیز کاربرد مدل های رگرسیون خطی و شبکه عصبی مصنوعی در پیش بینی غلظت آلاینده های مذکور بوده است. آمار مورد استفاده در این تحقیق، داده های ساعتی ثبت شده توسط ایستگاه های سنجش آلودگی هوای مستقر در سطح شهر مشهد در طی سال های 1389-1384، آمار هواشناسی ثبت شده در ایستگاه سینوپتیک مشهد در طی دوره زمانی مذکور و آمار ساعتی مربوط به حجم ترافیک عبوری از تقاطع های مختلف شهر مشهد را شامل می شدند. نتایج حاصل از بررسی ها دلالت بر آن داشت که برای تمام آلاینده ها به جز ازن، پاییز، آلوده ترین فصل سال و آذر آلوده ترین ماه بود. ولی در مورد ازن، نتایج ارزیابی ها آلوده ترین فصل را فصل تابستان و آلوده ترین ماه را ماه خرداد نشان داد. با بررسی پارامترهای هواشناسی و ترافیکی نیز مشخص گردید که تغییرات زمانی آلاینده ها در مقیاس فصلی، ماهیانه و هفتگی بیش تر تحت تاثیر تغییرات پارامترهای هواشناسی، ولی تغییرات ساعتی کلیه آلاینده ها (به جز ازن) در طول شبانه روز تحت تاثیر حجم ترافیک شهری می باشد. به طوری که پیک غلظت آلاینده ها متعاقب ساعات پیک ترافیکی (9-7 صبح و 20-18 شب) اتفاق می افتد. در ارتباط با چگونگی توزیع مکانی آلاینده ها در سطح شهر، بررسی ها نشان داد که این توزیع تحت تاثیر حجم ترافیک شهری در نقاط مختلف و نیز ورود آلودگی از منابع ساکن مستقر در محدوده شرقی شهر توسط باد است. نتایج حاصل از مدل سازی غلظت آلاینده های هوای شهر مشهد در طی سال 1389 که بر اساس پارامترهای اقلیمی و با استفاده از دو مدل رگرسیونی (روش خطی) و شبکه عصبی مصنوعی (روش غیر خطی) انجام گرفت، حاکی از برتری روش شبکه عصبی مصنوعی بود. به طوری که میانگین ضریب همبستگی به دست آمده بین غلظت آلاینده ها و پارامترهای هواشناسی در روش شبکه عصبی مصنوعی بالاتر از میانگین ضریب مذکور در روش رگرسیون خطی به دست آمد. همچنین مقدار جذر میانگین مربعات خطا در روش شبکه عصبی مصنوعی نیز به مراتب کم تر از خطای مذکور در روش رگرسیون خطی محاسبه گردید.