عنوان

مدلسازی توزیع فضایی آلودگی هوا با استفاده از روشهای سنجش ازدور و‮‭GIS‬ با تلفیق الگوریتمهای شبکه عصبی( مطالعه موردی :شهر تبریز),‮‭Modeling Spatial Distribution of Air Pollution by Using RS and GIS techniques integrating Neural Network Algorithms (Case Study: Tabriz City)‬

Number

‭۲۱۱۵۷پ‬

.Language of Text, Soundtrack etc

per

Title Proper

مدلسازی توزیع فضایی آلودگی هوا با استفاده از روشهای سنجش ازدور و‮‭GIS‬ با تلفیق الگوریتمهای شبکه عصبی( مطالعه موردی :شهر تبریز)

Parallel Title Proper

‮‭Modeling Spatial Distribution of Air Pollution by Using RS and GIS techniques integrating Neural Network Algorithms (Case Study: Tabriz City)‬

First Statement of Responsibility

/سلیمه عیدی اسفنجانی

Name of Publisher, Distributor, etc.

: برنامه ریزی و علوم محیطی

Date of Publication, Distribution, etc.

، ‮‭۱۳۹۷‬

Name of Manufacturer

، میرزائی

Specific Material Designation and Extent of Item

‮‭۱۴۷‬ص‬

Text of Note

چاپی - الکترونیکی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

سنجش ازدور و سیستم اطلاعات جغرافیایی گرایش مدیریت مخاطرات محیطی

Date of degree

‮‭۱۳۹۷/۱۲/۲۵‬

Body granting the degree

تبریز

Text of Note

لودگی هوا یکی از مشکلات مهم شهرهای بزرگ محسوب میشود .یکی از اهداف مسئولین شهری آگاهسازی شهروندان از میزان کیفیت هوا در مناطق مختلف شهر و در زمانهای متفاوت است .این پژوهش بحران آلودگی هوای شهر تبریز را بهعنوان یکی از هشت شهر آلوده ایران موردبررسی قرار داده است .بهطورکلی شاخصهای پنجگانه آلودگی هوا شامل ذرات معلق هوا) ، ‮‭)PM۱۰‬منوکسیدکربن) ،‮‭)CO‬دیاکسید) ،‮‭)SO۲‬دیاکسید نیتروژن‮‭( )NO۲‬ و ازن‮‭( )O۳‬ است که اثرات منفی بر سلامت انسان و تخریب محیطزیست دارند .از طرفی بهاینعلت که این آلودگیها تحت تأثیر پارامترهای مختلف در هوا تولید میشود، در این پژوهش با سنجشازدور و‮‭GIS‬ و همچنین شبکه عصبی مصنوعی پرسپترون چندلایه‮‭( )MLP‬ توزیع این آلایندهها در ارتباط با این پارامترها مدلسازی شده و سپس سعی در پیشبینی آینده این آلایندهها با مدل زنجیره مارکوف و سلولهای خودکار شد .لذا متغیرهای دمای سطح زمین و‮‭NDVI‬ از تصاویر ماهوارهای لندست‮‭۱‬ و‮‭۸‬ برای سالهای‮‭۷۹۸۱‬ و‮‭۷۹۳۱‬ و‮‭۷۹۳۱‬ و در‮‭۴‬ فصل مختلف سال استخراج شد .متغیر رطوبت از سازمان هواشناسی تهیه گردیده و درونیابی شد و همچنین لایه فاصله از کاربریهای صنعتی نیز پس از نرمالسازی بهعنوان متغیرهای مستقل ورودی شبکه عصبی معرفی شد .دادههای غلظت آلایندههای مجموعه ایستگاههای سنجش آلودگی هوا متناظر بازمان دانلود تصاویر ماهوارهای که متغیرهای مستقل از آنها استخراج گردیده است، از سازمان محیطزیست آذربایجان شرقی تهیه گردید و با استفاده از درونیابی و همچنین اعمال دادههای جهت باد در این درونیابیها، به نقشههای سطحی تبدیلشده و بهعنوان متغیر وابسته مدل‮‭MLP‬ معرفی شد .بر اساس خروجیهای بهدستآمده و با ارزیابی دقت مدل با روش ،‮‭ROC‬شبکه عصبی مصنوعی‮‭MLP‬ روشی قابلاعتماد در مدلسازی توزیع مکانی آلایندههای هوا بوده است .سپس برای پیشبینی توزیع زمانی این آلایندهها در سال ،‮‭۷۴۱۱‬ابتدا با نقشههای خروجی شبکه عصبی برای سال‮‭۷۹۸۱‬ و ،‮‭۷۹۳۱‬با مدل زنجیره مارکوف و سلولهای خودکار توزیع غلظت آلایندهها برای سال‮‭۷۹۳۱‬ پیشبینی شد .سپس برای ارزیابی توان پیشبینی با این مدل، به مقایسه نقشه پیشبینیشده همه آلایندهها در فصلهای مختلف سال‮‭۷۹۳۱‬ و نقشه واقعی آنها در سال‮‭۷۹۳۱‬ پرداخته شد .نتایج، اختلافات آشکار در توزیع آلایندهها در بین نقشه پیشبینی و واقعی را داشتند .بنابراین مقایسه، عدم توانایی زنجیره مارکوف و سلولهای خودکار در پیشبینی آلایندههای هوا به دلیل ماهیت تغییرپذیری زیاد این آلایندهها نمایان شد

Text of Note

Air pollution is one of the major problems of metropolises. One of the goals of city authorities is to inform citizens about air quality in different parts of the city at different times. This study examined the pollution crisis in Tabriz as one of the eight polluted cities in Iran .In general, five air pollution indicators are included air Pendant Molecular (PM10), Carbon Monoxide (CO), Sulfur Dioxide (SO2), Nitrogen Dioxide (NO2), and Ozone (O3), that have negative effects on human health and environmental degradation. On the other hand, due to the fact that these contaminants are produced by various parameters in the air, in this study, Multilayer Perceptron Neural Network method (MLP), remote sensing, and GIS have been used for distributing of these pollutants which were modeled in relation to these parameters. Then it is tried to predict the future of these pollutants with Markov Chain Model and Cellular Automata.Therefore, surface temperature variables and NDVI were extracted from satellite images of Landsat 7, 8 in 1385, 1390, and 1395 during four seasons. Moisture variables were collected and interpolated from the Meteorological Organization, and also after normalization, the distance between industrial applications was introduced as independent inputs of the Neural Network. Data of pollutant concentration in air pollution sensing stations corresponding to the time of downloading of satellite images that independent variables were extracted have been prepared from East Azerbaijan's department of environment. Also, the data was converted into surface maps using interpolation as well as applying wind direction data in this interpolation and was introduced as a dependent variable of the MLP Model. Based on the obtained results and by evaluating the accuracy of the model according to the ROC Model, Artificial Neural Network (MLP) has been a reliable method for modeling the distribution of air pollutants. Then to predict the time distribution of pollutants in 1400, first, it is needed to have outlined maps of Neural Network in 1385, 1390 and using Markov Chain Model and Cellular Automata, distribution of pollutant concentration was predicted for 1395. Therefore, in order to evaluate the predictability with this model the projected map of all contaminants in different seasons was compared with their real map in 1395. The results show obvious differences in the distribution of pollutants between the predicted and actual map.Based on this comparison, disability of the Markov Chain and Cellular Automata to predict the air pollutants due to the nature of the high variability of these pollutants appeared

Parallel Title

‮‭Modeling Spatial Distribution of Air Pollution by Using RS and GIS techniques integrating Neural Network Algorithms (Case Study: Tabriz City)‬

عیدی اسفنجانی، سلیمه

Eidi Esfanjani, Salimeh

ولی زاده کامران، خلیل، استاد راهنما

اصغری زمانی، اکبر، استاد راهنما

Public note

سیاه و سفید

نمایه‌سازی قبلی