رتبه‌بندی فصلی و سالانه محلات شهر تبریز از لحاظ میزان PM1O براساس پردازش تصاویر لندست 8

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناس ارشد جغرافیا و برنامه‌ریزی شهری، دانشکده علوم انسانی، گروه جغرافیا دانشگاه تبریز،

2 کارشناسی ارشد سنجش از دور و GISدانشگاه شهید بهشتی، کارشناس برنامه ریزی شهرداری شیراز،

10.22034/gahr.2021.275903.1515

چکیده

داشته نقشه به‌روز، صحیح، سریع و جامع از کیفیت هوا می‌تواند گره‌گشای مشکلات مردم و مدیران باشد. در این تحقیق برای پایش میزان PM10 محلات شهر تبریز از تصاویر لندست 8 در سال 1399 استفاده شد. برای این کار؛ تصاویر در چهار فصل سال اخد شد و پس از پیش‌پردازش‌های اولیه، از بین الگوریتم‌های موجود، الگوریتمی که بالاترین همبستگی و پایین‌ترین RMSE را برای برآورد میزان PM10 بود انتخاب گردید و بر روی تصاویر اعمال شد. نتایج بدست آمده با استفاده از تابع خطی فازی نرمال شد. نتایج نشان داد که کیفیت هوای محلات شهر تبریز در سه فصل اول سال بسیار به‌هم شبیه است و در فصل زمستان تفاوت بسیاری با این سه فصل دارد. دو محله پاکیزه شهر در سه فصل اول سال ولی‌امر 2 و فرودگاه بودند و محلات لیل‌آباد 2 و 42متری 1 بودند. در مجموعه میانگین سالانه اما ولی‌امر 2 و رشدیه پاکترین محلات و لیل‌آباد 2 و 42متری 1 آلوده‌ترین محلات از لحاظ PM10 بودند.

کلیدواژه‌ها


عنوان مقاله [English]

Seasonal and annual ranking of Tabriz neighborhoods in terms of PM1O rate based on Landsat 8 image processing

نویسندگان [English]

  • Issa Poorangha 1
  • Rouholla Jafari-Sirizi 2
1 Master of Geography and Urban Planning, Faculty of Humanities, Department of Geography, University of Tabriz,
2 Master of Remote Sensing and GIS, Shahid Beheshti University, Shiraz Municipality Planning Expert,
چکیده [English]

Having an up-to-date, accurate, fast and comprehensive map of air quality can solve the problems of people and managers. In this study, Landsat 8 images in 1399 were used to monitor the PM10 in Tabriz neighborhoods. For this research; the images were taken in four seasons of the year and after initial preprocessing, from the available algorithms, the algorithm that had the highest correlation and lowest RMSE to estimate PM10 was selected and applied to the images. The results were normalized using the fuzzy linear function. The results showed that the air quality of Tabriz neighborhoods in the first three seasons of the year are very similar and in winter is very different from these three seasons. The two clean neighborhoods of the city in the first three seasons of the year were Vali-amar 2 and the airport, and the neighborhoods of Lilabad were 2 and 42 meters 1 In the annual average, Emma Vali Amar 2 and Rushdieh were the cleanest neighborhoods and Lilabad 2 and 42 meters 1 were the most polluted neighborhoods in terms of PM10.

کلیدواژه‌ها [English]

  • Seasonal Air Quality
  • PM10
  • Tabriz
  • Landsat 8
  • Vali-amar 2
  1. دهقانی، منصوره. کمالی، یوسف. داوودی، سهیلا و نرگس شمس­الدین(1394) بررسی ارتباط بین غلظت ذرات معلق در هوای خارج و داخل بیمارستان دنا شیراز. شانزدهمین همایش ملی بهداشت محیط ایران.
  2. شکری­فیروزه­جاه، پری(1390) تأثیر پراکنش فضایی کاربری­های شهری بر آلودگی با استفاده از روش شناسی توصیفی ـ تحلیلی و بهره­گیری از منابع کتابخانه­ای، مطالعه موردی شهرتبریز، مجله جغرافیا و برنامه­ریزی منطقه­ای، سال دوم، شماره اول، قشم، صص 44-33.
  3. میری، محمد. قانعیان، محمدتقی. قلیزاده، عبدالمجید. یزدانی­اول، محسن و علی نیکونهاد(1394) تحلیل و پهنه بندی آلودگی هوا شهر مشهد با استفاده از مدلهای مختلف تحلیل فضایی. مجله مهندسی بهداشت محیط، سال سوم، شماره 2،زمستان 1394.
  4. ویسی­ناب، برهان. بابایی­اقدم، فریدون. قربانی، رسول(1398) تحلیل عوامل اقتصادی اثرگذار بر زیست پذیری شهری (مورد مطالعه: کلان شهر تبریز)؛ فصلنامه علمی اقتصاد و مدیری شهری، پیاپی 27، صص 35-52.
    1. Alias, M., Hamzah, Z., & Kenn, L. S. (2007). PM10 and total suspended particulates (TSP) measurements in various power stations. The Malaysian Journal of Analytical Sciences, 11(1), 255-261.
    2. Amanollahi, J., Tzanis, C., Abdullah, A. M., Ramli, M. F., & Pirasteh, S. (2013). Development of the models to estimate particulate matter from thermal infrared band of Landsat Enhanced Thematic Mapper. International Journal of Environmental Science and Technology, 10(6), 1245-1254.
    3. Beloconi, A., Kamarianakis, Y., & Chrysoulakis, N. (2016). Estimating urban PM10 and PM2. 5 concentrations, based on synergistic MERIS/AATSR aerosol observations, land cover and morphology data. Remote Sensing of Environment, 172, 148-164.
    4. Chitranshi, S., Sharma, S. P., & Dey, S. (2015). Satellite-based estimates of outdoor particulate pollution (PM 10) for Agra City in northern India. Air Quality, Atmosphere & Health, 8(1), 55-65.
    5. Cho, H. S., & Choi, M. J. (2014). Effects of compact urban development on air pollution: Empirical evidence from Korea. Sustainability, 6(9), 5968-5982.

10. Choung, Y. J., & Kim, J. M. (2019). Study of the Relationship between Urban Expansion and PM10 Concentration Using Multi-Temporal Spatial Datasets and the Machine Learning Technique: Case Study for Daegu, South Korea. Applied Sciences, 9(6), 1098.

11. Elliott P, Cuzick J, English D, Stern R (1996) Geographical and Environmental Epidemiology: Methods for Small-area Studies. Oxford: Oxford University Press, UK

12. Finzi, G., & Lechi, G. M. (1991). Landsat images of urban air pollution in stable meteorological conditions. IL Nuovo Cimento C, 14(5), 433-443.

13. Liu, Y., Wu, J., Yu, D., & Ma, Q. (2018). The relationship between urban form and air pollution depends on seasonality and city size. Environmental Science and Pollution Research, 25(16), 15554-15567.

14. POURAHMAD, A., BAGH, V. A., ZANGENEHE, S. S., & Givehchi, S. (2007). The impact of urban sprawl up on air pollution.

15. Retalis, A., & Sifakis, N. (2010). Urban aerosol mapping over Athens using the differential textural analysis (DTA) algorithm on MERIS-ENVISAT data. ISPRS Journal of Photogrammetry and Remote Sensing, 65(1), 17-25.

16. Saleh, S. A. H., & Hasan, G. (2014). Estimation of PM10 concentration using ground measurements and Landsat 8 OLI satellite image. J Geophys Remote Sens, 3(120), 2169-0049.

  1. Saraswat, I., Mishra, R. K., & Kumar, A. (2017). Estimation of PM10 concentration from Landsat 8 OLI satellite imagery over Delhi, India. Remote Sensing Applications: Society and Environment8, 251-257.

18. Song, W. W., & Guan, D. S. (2008). The distribution of aerosol optical depth retrieved by TM imagery over Guangzhou, China. Acta Sci. Circumst, 8, 1638-1645.

19. Sotoudeheian, S., & Arhami, M. (2014). Estimating ground-level PM 10 using satellite remote sensing and ground-based meteorological measurements over Tehran. Journal of Environmental Health Science and Engineering, 12(1), 1-13.

20. Stone Jr, B. (2008). Urban sprawl and air quality in large US cities. Journal of environmental management, 86(4), 688-698.

21. Zaman, N. A. F. K., Kanniah, K. D., & Kaskaoutis, D. G. (2017). Estimating particulate matter using satellite based aerosol optical depth and meteorological variables in Malaysia. Atmospheric Research, 193, 142-162.

22. Zhong, B. (2011, July). Improved estimation of aerosol optical depth from Landsat TM/ETM+ imagery over land. In 2011 IEEE International Geoscience and Remote Sensing Symposium (pp. 3304-3307). IEEE.