بررسی تاثیر ترافیک بر انتشار PM2.5 با استفاده از روش رگرسیون وزنی جغرافیایی (GWR) (مطالعه موردی شهر اصفهان)

مقاله پژوهشی

علوم و تکنولوژی محیط زیست، دوره بیست و چهارم، شماره چهار، تیر ماه 1401(45-31)

بررسی تاثیر ترافیک بر انتشار PM2.5 با استفاده از روش رگرسیون وزنی جغرافیایی (GWR) (مطالعه موردی شهر اصفهان)

شراره محمودی [1]

مژگان احمدی ندوشن [2] ^*

m.ahmadi1984@gmail.com

چکیده

زمینه و هدف: میزان غلظت PM_2.5 (ذرات معلق کمتر از­ 5/2 میکرون) به دلیل مضرات آن بر سلامت انسان، به یک نگرانی عمومی در شهرها مبدل شده است. در این پژوهش، با توجه به اهمیت موضوع آلودگی هوا، اثر شرایط ترافیک شهری بر روی انتشار آلاینده هوای شهری (PM_2.5) با استفاده از مدل رگرسیون وزنی جغرافیایی (GWR) و درون‌یابی به روش وزن دهی معکوس فاصله (IDW) با بهره‌گیری از نرم‌افزار ArcGIS 10.5 مورد ارزیابی قرار گرفت.

روش بررسی: داده‌های غلظت PM_2.5  در سال 1398 از 9 ایستگاه‌های سنجش آلودگی هوای شهرداری اصفهان، داده‌های بلوک جمعیتی و میزان تردد خودرو در شهر جمع‌آوری و وارد مدل GWR گردید و تهیه نقشه پهنه بندی غلظت آلاینده (به‌صورت فصلی) به روش IDW انجام گرفت.

یافته­ها: پس از اجرای رگرسیون وزنی جغرافیایی روی پارامترهای مدل، به منظور ارزیابی اعتبار مدل، مقدار R² محاسبه و به جهت بررسی آزمون خودهمبستگی مکانی از شاخص موران استفاده گردید. نزدیک بودن R² ذرات معلق به عدد 1 نشان دهنده کارایی بالای مدل است. نتایج شاخص موران نشان داد که مدل GWR مدل خوبی برای بررسی الگوی زمانی مکانی ذرات معلق بوده است.

بحث و نتیجه­گیری: پس از مقایسه نقشه‌ها و بررسی پارامترهای ضریب تعیین، مشخص گردید که تردد خودرو و جمعیت (متغیرهای مستقل) بر روی افزایش آلاینده PM_2.5 تأثیر مستقیم دارد. همبستگی بالایی با میزان R²=0.75 بین آلاینده PM_2.5، و متغیرهای مستقل، به خصوص در فصل تابستان مشاهده شد.

واژه های کلیدی: ترافیک، اصفهان، PM_2.5، رگرسیون وزنی جغرافیایی (GWR)، مدل IDW.

Study the effects of Traffic Conditions on the PM_2.5 emission Geographically Weighted Regression model (case study: Isfahan city)

Sharareh Mahmoudi [3]

Mozhgan Ahmadi Nadoushan  [4]^*

m.ahmadi1984@gmail.com

Abstract

Background & Objectives: PM_2.5 concentration has become a public concern in cities due to its harmful effects on human health. In this study, due to the importance of air pollution, the effect of urban traffic conditions on the emission of urban air pollutants (PM_2.5) was studied using geographic weight regression model (GWR) and IDW interpolation method.

Material and Methodology: For this purpose, concentration of PM_2.5 in 2019 was collected from 9 air pollution monitoring stations of Isfahan Municipality and population data and traffic in the city were collected and entered into the model. Interpolation IDW method was used for preparing seasonal air pollutants dispersion maps. After performing geographical weight regression on the model parameters and in order to evaluate the validity of the model, the RMSE parameter was used, which is obtained from the difference between the actual value of the concentration and the predicted value and indicates the predictive power of the model. Finally, R² values ​​were calculated and Moran's index was used to examine the spatial autocorrelation test.

Findings: After performing geographical weight regression on the model parameters, in order to evaluate the validity of the model, the value of R2 was calculated and the Moran index was used to examine the spatial autocorrelation test.

Discussion and Conclusion: According to the amount of R²=0.75 for PM_2.5, a direct correlation has been shown between this pollutant and independent variables, especially in the summer. The Moran index results showed that the GWR model was a good model for investigating the spatial temporal pattern of suspended particles.

Key words: Traffic, Isfahan, PM_2.5, Geographically weighted regression (GWR), IDW model.

مقدمه

امروزه، آلودگی هوا یک مشکل جهانی شده است که سلامت انسان و توسعه پایدار را تهدید می­کند (1). افزایش جمعیت، توسعه شهرنشینی و صنایع مختلف را به دنبال داشته که متعاقباً آلودگی محیط زیست و از جمله آلودگی هوا به‌ عنوان مشکل جدی بشر پدیدار شده است. مدیریت آلودگی هوا نیاز به اقدام جدی از سوی مقامات دولتی در سطح ملی، منطقه‌ای و حتی بین‌المللی دارد (2). آلاینده­های هوا می‌توانند تا فواصل زیاد جابجا شوند و بر روی سلامت انسان و اکوسیستم در مناطق وسیع اثرگذار باشد (3). با توجه به وضع کنونی، آلودگی هوا با توجه به پیامدهای زیان‌بار، به یکی از ملموس‌ترین معضلات زیست‌محیطی شهر اصفهان تبدیل‌شده است (4). آلودگی ذرات معلق امروزه یک مشکل زیست محیطی جدی است که منجر به کاهش کیفیت هوا و سلامت انسان­ها و تغییر اقلیم جهانی می­شود (5). ذرات معلق بر اساس قطر آئرودینامیکی‌شان شناخته می‌شوند و ذرات معلق PM₁₀ و ذرات معلق PM_2.5 را شامل می‌شوند. ذرات معلق ریز با قطر آئرودینامیکی کمتر از 5/2 میکرومتر، ترکیبی از ذرات معلق مایع یا جامد در هوا است که اثرات منفی گوناگونی بر روی سلامت انسان ها بر جای می­گذارد که شامل افزایش خطر بیماری­های تنفسی و قلبی عروقی است (6). PM_2.5 زیان‌بارتر از PM₁₀ است زیرا در هنگام دم، ممکن است وارد قسمت‌های محیطی مربوط به نایژه‌ها شده و منجر به اختلال تبادل گازها در شش‌ها گردد (7). افزایش غلظت PM_2.5 ممکن است سبب ایجاد بیماری‌های مزمنی همچون انسداد و سرطان ریه شود، ازاین‌رو، این آلاینده می‌تواند به‌عنوان تهدید جدی برای سلامت انسان به شمار آید (8, 9). غلظت PM2.5 تحت تاثیر عوامل متعددی مانند شرایط آب و هوایی، تغییرات کاربری اراضی و فعالیت‌های انسانی قرار می گیرد (10). ذرات معلق تحت تأثیر تغییرات فضایی و زمانی است و توزیع مکانی و زمانی غلظت این آلاینده تحت تأثیر شدت تغییرات آب و هوایی، شدت ترافیک، فاصله از جاده و منابع انتشار می‌تواند بسیار متغیر باشد (11). ازاین‌رو، با اطلاع از توزیع مکانی و زمانی این آلاینده، می‌توان ویژگی و موقعیت هر یک از نقاط اندازه‌گیری‌شده را مشخص نمود (14-12).

در سال‌های اخیر، استفاده از سیستم اطلاعات جغرافیایی (GIS) در مباحث گوناگون مرتبط به آلودگی هوا گسترش یافته است. ابزارهای ریاضی و آماری، می‌توانند نقشی کلیدی در از بین بردن چالش‌های زیست‌محیطی شهری ایفا کنند .روش­های متعددی برای شبیه سازی غلظت PM2.5  طی سال­های اخیر ایجاد شده اند که شامل مدل رگرسیون خطی و مدل­های آماری پیشرفته مانند LME، مدل رگرسیون کاربری اراضی و مدل رگرسیون وزنی جغرافیایی است (10). روش­های آمار فضایی یکی از مهم­ترین بخش های تحلیل فضایی هستند و شامل مجموعه­ای از روش­ها برای توصیف و مدل­سازی داده­های فضایی هستند. از پرکاربردترین روش­های آمار فضایی که برای مدل­سازی روابط فضایی بین متغیرهای مختلف استفاده می­شود می­توان به روش حداقل مربعات معمولی و روش رگرسیون وزنی جغرافیایی اشاره کرد. در سال‌های اخیر، تکنیکی نو، به نسبت ساده و در عین حال کارا برای بررسی ارتباطات مختلف فضایی- مکانی، به نام رگرسیون وزن‌دار جغرافیایی (GWR) ایجاد شده است (15). پژوهش‌های مهم صورت گرفته در این زمینه به شرح ذیل است. Cardoso و همکاران (2019) از روش رگرسیون وزنی جغرافیایی به منظور بررسی اثر آلودگی هوا بر سرطان ریه در منطقه‌ای در پرتغال استفاده کردند. روش رگرسیون وزنی جغرافیایی سه متغیر موثر و معنی دار از نظر آماری در ریسک نسبی مرگ و میر ناشی از سرطان ریه را شناسایی کرد که عبارت از میزان PM10، نرخ شهرنشینی و درصد مناطق صنعتی بود (16).  Wang و همکاران (2019) از مدل GWR برای بررسی رابطه بین عوامل گوناگون و غلظت PM2.5 در شهرهای چین استفاده کردند. نتایج نشان داد از بین عوامل طبیعی، ارتفاع دارای بالاترین همبستگی آماری و اثر بر روی PM2.5 بوده است و از بین عوامل اجتماعی- اقتصادی، مناطق ساخته شده قوی ترین متغیر تاثیرگذار روی غلظت PM2.5 بوده است. مطالعه Luo  و همکاران (2017) با هدف تعیین الگوی زمانی-مکانی غلظت PM2.5 در منطقه ای در چین و آنالیز عوامل اثرگذار بر روی آن با استفاد از مدل GWR نشان داد که جاده، کشاورزی و جمعیت از بین عوامل گوناگون، مهم­ترین عوامل با تاثیر معنی دار بر روی PM2.5 هستند. نتایج شاخص موران نشان داد که مدل GWR مدل خوبی برای بررسی الگوی زمانی مکانی ذرات معلق و عوامل تاثیرگذار روی آن بوده است (17, 18). Lin و همکاران (2014) در مقاله‌ای با عنوان تغییرات زمانی- مکانی غلظت PM_2.5 و روابط آن با فاکتورهای جغرافیایی و اجتماعی- اقتصادی در چین از مدل GWR استفاده کردند. نتایج آن‌ها نشان داد، که الگوی مکانی PM_2.5 طی سال‌های مورد مطالعه (2001-2010) ثابت بوده و افزایش غلظت PM_2.5 در مناطق پرجمعیت مشاهده شد. افزایش جمعیت، رشد اقتصادی و توسعه شهری سه فاکتور عمده تأثیرگذار بر غلظت PM_2.5 شناخته شدند (19). در پژوهشی دیگر توسط Wang و Fang (2016)، ویژگی‌ها و عوامل زمانی- مکانی PM_2.5 در شهر Bohai Rim بررسی شد. نتایج این پژوهش نشان داد که منطقه مورد مطالعه هسته توزیع PM_2.5 را در چین در سال 2014 تشکیل می‌دهد و همچنین توزیع غلظت PM_2.5 در فصل زمستان و پاییز بالا و در بهار و تابستان کمتر بود (20). در مقاله‌ای دیگرBahari  و همکاران (1394)، به پهنه‌بندی آلودگی ذرات معلق با استفاده از مدل‌های آماری محلی در شهر تهران پرداختند. در این مقاله به مدل‌سازی مکانی PM_2.5 با استفاده از روش GWR پرداختند. در نهایت، با توجه به نقشه‌های خروجی حاصل از وضعیت آلاینده PM_2.5 و همچنین با بررسی پارامترهای آماری مشخص شد که مدل پیشنهادی توانایی بالایی در تخمین غلظت این آلاینده در تمام نواحی شهر تهران دارد (21).

اصفهان، یکی از کلان‌شهرهای مهم ایران است که در بیشتر مواقع سال اتمسفر آن حضور ذرات گرد و غبار را تجربه می­کند. کلان‌شهر اصفهان به دلیل تراکم تردد وسایل نقلیه، گازهای خروجی از اگزوز اتومبیل‌ها، فرسایش سطح آسفالت خیابان، جمعیت روبه رشد، فعالیت‌های صنعتی و مصرف بالای سوخت‌های فسیلی، در معرض بالا رفتن غلظت انواع آلاینده‌های خطرناک قرار دارد (22). تراکم منابع آلاینده در شعاع 50 کیلومتری شهر اصفهان نیز باعث گردیده که این منطقه به منطقه بحرانی استان اصفهان تبدیل گردد؛ به‌طوری‌که 65 درصد از شهرک‌های صنعتی و همچنین صنایع مادری نظیر ذوب‌آهن، فولاد مبارکه، پالایشگاه، پتروشیمی، نیروگاه شهید منتظری، پلی‌اکریل، فولاد آلیاژی، سیمان اصفهان، سیمان سپاهان و انرژی اتمی و به‌علاوه، 450 کوره آجرپزی، گچ و آهک‌پزی و بیش از 1500 واحد سنگ‌بری (در مجموع، 62 درصد صنایع استان اصفهان) در محدوده شعاع 50 کیلومتری اصفهان استقرار و تمرکز دارند. ضمناً تعداد زیادی از واحدهای صنعتی و خدماتی بدون ملاحظات زیست‌محیطی و رعایت ضوابط استقرار احداث شده‌اند (23).

هدف از این پژوهش بررسی تأثیر پارامترهای مؤثر بر غلظت PM_2.5 در 4 فصل سال 1398 در شهر اصفهان است. با توجه به همبستگی‌های احتمالی مکانی بین هر منطقه پرترافیک، از روش رگرسیون وزنی جغرافیایی (GWR) برای بررسی رابطه بین غلظت آلاینده PM_2.5 (متغیر وابسته) و متغیرهای مستقل (ترافیک و جمعیت) استفاده شده است. در این پژوهش از نرم‌افزار ArcGIS 10.5 و مدل رگرسیون وزن‌دار جغرافیایی جهت بررسی ارتباط بین متغیرهای ترافیک و جمعیت با PM_2.5 و روش درون‌یابی IDW که روش مناسبی جهت نمایش الگوی سرتاسری غلظت آلاینده‌ها به شمار می‌آید، استفاده شد (24). جهت بررسی آزمون خودهمبستگی مکانی از شاخص موران استفاده شد.

روش کار

منطقه مورد مطالعه

پژوهش حاضر در کلان‌شهر اصفهان صورت گرفته است. این شهر مرکز استان اصفهان و نیز مرکز شهرستان اصفهان است. شهرستان اصفهان مساحتی حدود 107019 کیلومتر مربع بعد از تهران و مشهد، سومین شهرستان بزرگ ایران است. این شهر بین 30 درجه و 43 دقیق تا 24 درجه و 27 دقیقه عرض شمالی و 49 درجه و 38 دقیقه تا 55 درجه و 32 دقیقه طول شرقی از نصف‌النهار گرینویچ قرار گرفته است. ارتفاع شهر اصفهان از سطح عمومی دریاها در نقاط مختلف آن متفاوت است، به‌طوری‌که در سواحل رودخانه زاینده‌رود 1550 متر و در مناطق مرتفع شهر 1650 متر هم می‌رسد. با توجه به 9 ایستگاه موجود متعلق به شهرداری اصفهان، مناطقی که تحت پوشش داده‌های ایستگاه‌های سنجش آلودگی هوا و غلظت PM_2.5 قرار داشتند، مد نظر قرار گرفتند. بر این اساس مناطق 3،2،6،8،9،11،15 مناطق مورد مطالعه در این تحقیق هستند. منطقه­ی مورد مطالعه و جانمایی ایستگاه‌های سنجش آلودگی هوا در شکل 1 نشان داده شده است.

شکل 1- موقعیت جغرافیایی منطقه مورد مطالعه در استان اصفهان و جانمایی ایستگاه‌های سنجش آلودگی هوا

Figure 1. Geographical location of the study area in Isfahan province and the location of air monitoring stations

روش تحقیق

در این پژوهش هدف ارزیابی ارتباط بین پارامترهای تردد خودرو و جمعیت بر غلظت PM_2.5 و مدل‌سازی با استفاده از روش رگرسیون وزن‌دار جغرافیایی (GWR) است و جهت تهیه نقشه‌های پراکنش از روش وزن دهی معکوس فاصله (IDW) استفاده شده است. برای دستیابی به این مهم از نرم‌افزار  ArcGIS 10.5 استفاده شد. داده‌های مربوط به غلظت آلاینده PM_2.5  مورد استفاده در این پژوهش توسط 9 ایستگاه‌ پایش کیفیت هوای مرکز پایش و کنترل کیفیت هوای شهرداری اصفهان به‌طور 24 ساعته اندازه‌گیری و ثبت شده‌اند. جهت تحلیل فضایی- زمانی آلاینده‌ ی مذکور و ترسیم نقشه پراکنش آلاینده از میانگین فصلی غلظت آلاینده در هر ایستگاه پایش استفاده شد. پس از آماده‌سازی داده‌ها، جهت تحلیل فضایی- زمانی و پهنه‌بندی غلظت آلاینده PM_2.5 در هوای شهر اصفهان از خودهمبستگی فضایی موران و روش وزن دهی معکوس فاصله (IDW) به‌صورت فصلی در نرم افزار ArcGIS 10.5 بهره گرفته شد.

سپس لایه سطح منطقه، برای هر عنصر آلاینده با استفاده از توابع میانیابی به روش IDW Original تهیه گردیده است. در روش IDW Original فرض بر این است که نقاط نمونه آلایندگی شهر اصفهان از مکان تأثیر می‌پذیرند. در واقع، نقاط نمونه‌ای اثر وزنی دارند؛ به بیان دیگر، پیکسل‌های نزدیک به نقاط نمونه آلودگی اثر بیشتری نسبت به پیکسل‌های دورتر از این نواحی می‌گیرند. پس در این روش با افزایش فاصله از نقاط نمونه آلایندگی، میزان آلودگی کاهش می‌یابد. به منظور ارزیابی اعتبار مدل از پارامتر RMSE که از اختلاف مقدار واقعی غلظت و مقدار پیش‌بینی‌شده به دست می‌آید و بیانگر قدرت پیش‌بینی مدل است استفاده شده است. در محیط نرم‌افزاری ArcGIS 10.5 توسط افزونه زمین‌آماری در منطقه مورد مطالعه (شهر اصفهان) به روش IDW درون‌یابی، پهنه‌بندی و ارزیابی گردید.

آماده‌سازی داده‌های مورد استفاده

داده‌های مورد استفاده در این پژوهش شامل داده‌های تردد خودرو، جمعیت و غلظت روزانه PM_2.5 هستند. داده‌های تردد خودرو: داده‌های میزان تردد خودرو در محدوده 9 ایستگاه سنجش آلودگی هوا از نرم‌افزارهای شبیه‌ساز ترافیکی (EMME4) و همچنین دوربین‌های نظارتی چهارراه‌ها در محدوده ایستگاه‌ها از معاونت حمل و نقل و ترافیک شهرداری اصفهان اخذ گردید. داده‌های جمعیت: میزان جمعیت در بلوک‌های شهری در مناطق اطراف ایستگاه‌ها از واحد آمار و اطلاعات معاونت حمل و نقل و ترافیک شهرداری اصفهان تهیه گردید. داده‌های غلظت آلاینده PM_2.5: میانگین غلظت روزانه PM_2.5 که از مرکز پایش و کنترل کیفیت هوای شهرداری اصفهان اخذ گردید و با استفاده از میانگین‌گیری، به‌صورت ماهیانه برای 4 فصل سال 98 محاسبه شد. جمعیت و میزان تردد خودرو در اطراف ایستگاه‌ها، با استفاده از اطلاعات بلوک‌های جمعیتی و میزان ترددهای دریافت شده از معاونت حمل و نقل و ترافیک، بر اساس ایجاد بافری در شعاع 200 مترمربع اطراف هر 9 ایستگاه سنجش آلودگی محاسبه گردید. جدول 1 نام و مختصات جغرافیایی ایستگاه‌ها را نشان داده است. جدول اطلاعات توصیفی بر اساس فایل Excel، تکمیل گردید بدین ترتیب که لایه جمعیت بلوک‌ها، به‌صورت نقطه‌ای و لایه تردد به‌صورت لایه خطی همراه با اطلاعات توصیفی تکمیل گردید و درون‌یابی به روش IDW برای شاخص‌های مورد نظر بر اساس فصل انجام شد. برای ایستگاه‌های سنجش آلودگی هوا بافری به شعاع 200 مترمربع ایجاد و در محدوده این بافر مجموع ترددها و مجموع جمعیت استخراج و به جدول ایستگاه‌ها اضافه شد. با استفاده از رگرسیون وزنی جغرافیایی، شاخص PM _2.5 به تفکیک به‌عنوان متغیر وابسته و فاکتور جمعیت و میزان تردد به‌عنوان متغیرهای مستقل در نظر گرفته شد و مقادیر R²، PREDICT و STANDARD RESIDUAL به‌صورت جداگانه محاسبه گردید و جهت بررسی آزمون خودهمبستگی مکانی از شاخص موران استفاده شد.

جدول 1- نام و مختصات جغرافیایی ایستگاه‌های پایش کیفیت هوای شهرداری اصفهان

Table 1. Name and coordinates of air monitoring stations of Isfahan Municipality

روش رگرسیون وزنی جغرافیایی (GWR)

رگرسیون وزنی جغرافیایی یک تکنیک آماری است که به مدل‌سازی در فرایندهایی که در فضای متفاوت ایجاد می‌شوند توجه زیادی نشان می‌دهد (25). این روش مزایای زیادی نسبت به رگرسیون خطی (عمومی) دارد. مزیت عمده GWR در مقابل الگوهای رگرسیون معمولی، توانایی آن در امکان بررسی ناایستایی مکانی است (26). ناایستایی مکانی نشان می‌دهد که، اندازه‌گیری یا تخمین روابط بین متغیرها از محلی به محل دیگر تفاوت می‌کند. علاوه بر این، رگرسیون وزنی جغرافیایی به ضریب متغیرهای تعیین‌ شده برای اختلاف محلی با دادن ارتباط وزنی بیشتر به مشاهدات جغرافیایی توجه ویژه دارد. رگرسیون وزنی جغرافیایی به آسانی الگوهای فضایی را ترسیم می‌نماید و در محاسبه و ارزیابی فرضیات فضایی مفید واقع می‌شود (27). GWR یک معادله رگرسیونی جداگانه را برای هر مشاهده به جای واسنجی یک معادله تولید می‌کند؛ بنابراین امکان می‌دهد تا مقادیر پارامتر به‌صورت پیوسته در فضای جغرافیایی تغییر کنند. چون معادله رگرسیونی به‌طور غیر مستقل برای هر مشاهده واسنجی شده است یک پارامتر پیش‌بینی جداگانه مقدار Z و R برای هر مشاهده را محاسبه می‌کند. معادله رگرسیون فضایی، وزن‌دار فضایی به‌صورت رابطه (1) خواهد بود:

y_i)u(=β_0i)u(+β_1i)u(x_1iβ_2i )u(x_2i +βmi )u(x _mi

نماد β_0i(u) نشانگر این است که پارامتر، ارتباطی را در اطراف موقعیت u توصیف می‌کند که مخصوص همین موقعیت است. معیار آکائیکه نشان می‌دهد که استفاده از مدل آماری به چه میزان سبب از دست رفتن اطلاعات می‌شود. به‌عبارت‌دیگر، این معیار تعادلی میان صحت مدل پیچیدگی آن برقرار می‌کند. ارزش کم این معیار نشان‌دهنده این است که مقدار تخمینی مدل به واقعیت نزدیک است (28).

خودهمبستگی فضایی موران

جهت تحلیل فضایی لکه­های داغ غلظت PM_2.5  از تحلیل خودهمبستگی فضایی موران استفاده شد. تحلیل خودهمبستگی فضایی موران می‌تواند اختلاف فضایی بین همه نمونه‌ها را اندازه‌گیری کند. جهت محاسبه­ی تحلیل خودهمبستگی فضایی موران ابتدا لازم است نمره استاندارد (Z-score) و P-value به دست آید تا در مرحله‌ی بعد به ارزیابی و معنادار بودن تحلیل خودهمبستگی فضایی موران پرداخته شود. ارزش تحلیل خودهمبستگی فضایی موران بین 1 و 1- متغیر است. زمانی که مشاهدات دارای ارزش‌های مشابه و الگوی خوشه‌ای باشند، مقدار P-value نزدیک به عدد 1+ می‌شود. در غیر این صورت مقدار P-value نزدیک به عدد 1- بوده و مشاهدات به‌صورت پراکنده هستند. همچنین در صورتی که الگوی پراکنش مشاهدات به‌طور تصادفی باشد، همبستگی موران صفر در نظر گرفته می‌شود (28). مدل همبستگی فضایی موران بر اساس قانون اول جغرافیا مطرح می‌شود که هر پدیده وابسته به پدیده‌های دیگر است؛ ازاین‌رو، هر چه قدر پدیده‌ها به یکدیگر نزدیک‌تر باشند، میزان همبستگی بین آن‌ها قوی‌تر است (29, 30). جدول 2، مقادیر خودهمبستگی فضایی عمومی را برای آلاینده‌ PM_2.5 در سال 98 را نشان می‌دهد. بر اساس جدول 2 با توجه به مقدار مثبت شاخص موران، بزرگ بودن مقدار Z و کوچک بودن P-Value نشانگر خوشه­ای بودن نقاط همجوار است؛ بنابراین فرض صفر مبنی بر وجود خودهمبستگی مکانی تأیید می‌شود و می‌توان از دو شاخص مورد نظر جهت بررسی ارتباطات مؤثر بر میزان غلظت PM_2.5 استفاده کرد؛ همچنین در شکل 2 شاخص موران برای آلاینده PM_2.5 نشان داده شده است.

جدول 2- نتایج حاصل از آماره موران جهانی

Table 2. Results of global Moran statistics

شکل 2- شاخص موران برای آلاینده PM_2.5

Figure 2. Moran's index for PM2.5

یافته­ها

نتایج پهنه‌بندی آلاینده PM_2.5 به روش IDW

در این مطالعه، با توجه به این‌که در بین روش‌های درون‌یابی فضایی، درون‌یابی IDW برای مقیاس منطقه‌ای مناسب است (23) و روش مناسبی جهت نمایش الگوی سرتاسری غلظت آلاینده‌ها به شمار می‌آید (24)، جهت پهنه‌بندی غلظت آلاینده­ی PM_2.5 از روش درون‌یابی IDW استفاده شده است. نتایج پهنه‌بندی غلظت آلاینده PM_2.5 در هوای شهر اصفهان در فصول مختلف سال 1398، نشان می‌دهد که در فصل بهار، در مناطق غرب شهر اصفهان بالاترین میزان غلظت PM_2.5 مشاهده شده است. همچنین در فصل گرم تابستان نیز مانند بهار در غرب و شمال شهر بیشترین میزان آلودگی و در مرکز و جنوب غرب شاهد کمترین میزان از غلظت PM_2.5 مشاهده شد. در فصول سرد سال مانند پاییز و زمستان که معمولاً آلودگی بالاتر از فصول دیگر است، در مناطق شمال، شرق و غرب بیشترین آلودگی و مناطق مرکزی و جنوب غرب کمترین میزان آلایندگی PM_2.5 مشاهده شده است. بررسی آلاینده ذرات معلق PM_2.5 نشان می‌دهد که در فصل بهار در مناطق غربی شهر اصفهان، شاهد بالاترین میزان غلظت PM_2.5 بوده است که ایستگاه‌های رهنان، ولدان و تا حدودی ایستگاه کاوه را در بر گرفته است و ایستگاه‌های انقلاب، باهنر و جی کمترین میزان آلودگی را شاهد بوده است. همچنین در فصل گرم تابستان نیز مانند بهار در غرب و شمال شهر یعنی در ایستگاه‌های کاوه و رهنان، ما شاهد بیشترین میزان آلودگی و در مرکز و جنوب غرب که ایستگاه‌های فرشادی و میرزاطاهر را شامل شده است، دارای کمترین میزان از غلظت ذرات معلق بوده‌ایم. در فصول سرد سال مانند پاییز و زمستان که معمولاً آلودگی بالاتر از فصول دیگر است، در مناطق شمال، شرق و غرب بیشترین آلودگی و مرکز و جنوب غرب دارای کمترین میزان آلایندگی PM_2.5 بوده است. به این صورت که ایستگاه‌های کاوه و جی آلوده‌ترین و ایستگاه‌های فرشادی و میرزاطاهر پاک‌ترین ایستگاه‌ها بوده‌اند. از دلایل مهم تجمع غبارهای معلق و کاهش دید افقی در مناطق شرقی شهر اصفهان را می‌توان وجود مناطق صنعتی، معادن و کوره­های گچ و آجرپزی دانست که با کمک بادهای غالب غربی به سمت شرق اصفهان هدایت می‌شوند.

بزرگ‌ترین منبع منتشرکننده ذرات معلق با 87 درصد متعلق به صنایع آهن و فولاد بوده است. کارخانه‌های سیمان، وسایل نقلیه سنگین، کوره‌های آجرپزی و کارگاه‌های ریخته‌گری در رتبه‌های بعدی قرار دارند. اگرچه میزان تولید ذرات معلق توسط خودروها کمتر است، اما نکته کلیدی این است که تولید آلاینده‌های آن‌ها دقیقاً در محل زندگی مردم است؛ لیکن میان محل زندگی مردم تا کوره‌های آجرپزی و یا صنایع شیمیایی مسافتی فاصله است. متأسفانه مشخص نیست که تأثیر این فاصله بر ترقیق آلاینده‌ها چیست و دقیقاً چه مقدار از آن‌ها به محل زندگی مردم می‌رسد؛ از طرف دیگر، انتشار آلاینده‌های خودروها کاملاً درون شهر و در ارتفاع پایین است (31)، به همین دلیل هر میزان ذرات معلقی که از طریق خودروهای بنزینی و دیزلی در سطح شهر ساطع می‌شود، مستقیم در ریه افراد وارد شده و سلامتی افراد را به خطر می‌اندازد و این عامل، اهمیت برنامه‌ریزی در جهت کاهش این آلاینده را دوچندان خواهد کرد. حال با توجه به نتایج پهنه‌بندی، نشان داده شده است که این آلاینده در فصول سرد سال (پاییز و زمستان) به ترتیب با میزان 63/35 میکروگرم بر مترمکعب و 46/32 میکروگرم بر مترمکعب و بر اساس استاندارد EPA آمریکا این غلظت در رده ناسالم برای گروه‌های حساس (دامنه 101-150) قرار گرفته است (5). خروجی‌ها نشان می‌دهد که در فصول گرم سال (بهار و تابستان) مناطق 2،7 و 9 شهر بالاترین میزان آلودگی را دارند و در فصول سرد سال (پاییز و زمستان) مناطق 7،15 و 2 بیشترین غلظت این آلاینده را به خود اختصاص داده‌اند. نتایج مطالعات نشان داده است که، به غیر از منابع ثابت مؤثر و منابع متحرک موجود می‌توان وجود ریزگردها و گردوغبار حاصل از اطراف اصفهان یعنی مناطقی مانند کانون بحران سگزی، تالاب گاوخونی، خاک بستر رودخانه زاینده‌رود در زمان خشکی را از عوامل افزایش این آلاینده در این مناطق دانست (2). منطقه 7 اصفهان که ایستگاه کاوه در آن واقع است دارای جمعیتی زیاد و در عین حال رو به رشدی است. در این منطقه خیابان کاوه که از اصلی ترین مسیرهای شاهین شهر و تهران محسوب می­شود و ترددی بسیار سنگین دارد واقع شده که سهم بسیاری در افزایش آلودگی ذرات ریز معلق در این منطقه دارد. همجواری با بیابان های شمال اصفهان که عاملی برای تولید گرد و غبار است از طرفی و وجود شهرک صنعتی دولت آباد و تصفیه خانه شمال اصفهان و جاده دولت آباد که مسیری برای رسیدن به حبیب آباد و دولت آباد محسوب می­شود از طرف دیگر، از جمله عوامل دیگر افزایش آلودگی هوا و ذرات ریز معلق این منطقه محسوب می­شود. در منطقه 2 اصفهان به دلیل وجود یکی از راه­های منتهی به خمینی شهر که از آن با عنوان خیابان کهندژ یاد می­شود، تردد بسیار سنگین خودروها در این مسیر و همچنین وجود کارگاه­های صنعتی در مسیر این خیابان، باعث افزایش غلظت ذرات معلق شده و این خیابان را به کانون اصلی آلودگی در این منطقه تبدیل کرده است. آلایندگی پالایشگاه و پتروشیمی در محدوده بختیاردشت و مشکلات ترافیکی در محدوده اتوبان خرازی، اتوبان امام خمینی و خیابان­ها و کندروهای متصل به آن ها از جمله دلایل بارز دیگر افزایش آلودگی این منطقه است.

نتایج مدل‌سازی به روش رگرسیون وزنی جغرافیایی GWR

همان‌طور که در نقشه‌های خروجی حاصل از پیاده‌سازی روش GWR مشخص است، ارتباط بین متغیرهای مستقل (تردد خودرو و جمعیت) با غلظت ذرات معلق PM_2.5 بررسی شد. در تحلیل نتایج روش رگرسیون وزنی جغرافیایی، مفاهیم ضریب تعیین محلی (Local R²) و باقی‌مانده معادله (Residual) رگرسیونی اهمیت زیادی دارند. ضریب تعیین محلی همان ضریب تعیین در رگرسیون چندمتغیره است. با این تفاوت که در رگرسیون وزنی جغرافیایی شکل محلی و فضایی پیدا می‌کند و از تفاضل بین مقدار مشاهده شده و مقدار پیش‌بینی‌شده میزان باقی‌مانده به دست می‌آید. مقدار باقی‌مانده می‌تواند مثبت یا منفی باشد. مثبت به معنای این است که میزان واقعی در ناحیه مورد نظر بیشتر از میزانی است که در همان ناحیه از طریق مدل رگرسیون به دست آمده است و منفی به معنای این است که مقدار واقعی در ناحیه مورد نظر کمتر از مقداری است که در همان ناحیه از طریق مدل رگرسیون به دست آمده است (32). در شکل 3 مقدار باقیمانده معادله (Residual) حاصل از رگرسیون وزن‌دار جغرافیایی نشان داده شده است. خلاصه ای از آمار توصیفی غلظت PM_2.5 به صورت فصلی و سالانه در جدول 3 نمایش داده شده است. طبق نتایج این جدول، در سال 98 بیشترین غلظت PM_2.5 در شهراصفهان مربوط به فصل پاییز با غلظت μg/m³  46/32 و پس از آن فصل های زمستان و تابستان می­باشد.  نتایج حاصل از روش GWR در مدل بدین صورت است که بهترین R2 برای PM_2.5 مربوط به فصل تابستان با مقدار 75/0 است. نزدیک بودن R2 ذرات معلق به عدد 1، کارایی خوب مدل در مدل‌سازی توزیع این آلاینده را نشان می‌دهد. در شکل 4 مقایسه مدل خروجی نقشه پیش‌بینی و برآورد شده PM_2.5 حاصل از رگرسیون با خروجی نقشه‌های درون‌یابی در فصل تابستان مشاهده شده است که مدل توانسته همبستگی خوبی بین متغیرهای مستقل و وابسته ایجاد کند. نقشه‌ها نشان از آن دارند که در هر دو مدل‌سازی مناطق شمال و شمال غربی بالاترین میزان آلایندگی و مناطق جنوب و مرکزی کمترین میزان آلایندگی را شاهد بوده است.

جدول 3- توصیف آماری غلظت آلاینده PM_{2.5 (}ppm₎

Table 3. Statistical description of PM2.5 concentration (ppm)

شکل 3- مقدار باقیمانده معادله (Residual) حاصل از رگرسیون وزن‌دار جغرافیایی

Figure 3. Residual value of Geographically Weighted Regression (GWR)

            شکل 4- مقایسه نقشه پیش­بینی شده و برآورد شده PM_2.5 در فصل تابستان 1398

Figure 4. Comparison of predicted and estimated PM2.5 in summer of 2019

بحث

روش رگرسیون وزن‌دار جغرافیایی یک روش آماری است که برای مطالعه الگوهای موضعی ایجاد شده است (21). بنابراین روش مناسبی برای پهنه‌بندی و تخمین داده‌های مکانی به حساب می‌آید. مدل های رگرسیون زمین آمار مانند مدل GWR غالبا برای آنالیز تغییرات مکانی یا ناهمگنی آلاینده­های اتمسفری و فاکتورهای اثرگذار بر روی آن­ها مورد استفاده قرار می­گیرد. مدل GWR قادر به شناسایی عوامل گوناگون دخیل در آلودگی PM2.5 است (33).

نتایجی که از این تحقیق به دست آمد نیز نشان داده است که روش رگرسیون وزن‌دار جغرافیایی قدرت بالایی در تحلیل مکانی تغییرات غلظت آلاینده PM_2.5 در شهر اصفهان دارد. پژوهش‌های Cheng و همکاران (2019)، Lin و همکاران (2014) و Soltani و همکاران (1389)، نیز با استفاده از مدل GWR انجام شد و نتایج خروجی از مدل را مورد تأیید قرار دادند (19, 34, 35). آزادی مبارکی و احمدی (1399) در مطالعه خود در رابطه با تغییرات بلندمدت ذرات معلق شهر تبریز با استفاده از داده­های سنجش از دور به این نتیجه رسیدند که روش GWR مبتنی بر داده­های سنجش از دور نسبت به سایر روش­های موجود تهیه نقشه­های آلودگی هوا برتری دارد. مطالعه انجام شده توسط Zhou  و همکاران (2018) در رابطه با به کارگیری روش رگرسیون وزنی جغرافیایی در آنالیز علت آلودگی ریزگرد در چین نشان داد که روش رگرسیون وزنی جغرافیایی نتایج دقیق تر و معتبرتری نسبت به رگرسیون حداقل مربعات معمولی (OLS) فراهم کرد. آنها در مطالعه خود بیان کردند روش رگرسیون وزنی جغرافیایی در سال­های اخیر در مطالعات گوناگون مرتبط با آلودگی هوا مورد استفاده قرار گرفته است و عملکرد خوبی از خود نشان داده است. Zhao  و همکاران (2020) از مدل GWR برای آنالیز توزیع مکانی غلظت PM2.5 استفاده کردند. نتایج مطالعه آن­ها نشان داد که مدل GWR به طور معنی داری دارای عملکرد بهتری نیست به مدل­های رگرسیون سنتی است (36, 37). نتایج حاصل از مقایسه مقادیر پیش‌بینی و مقادیر مشاهده شده ایستگاه‌ها نشان داده است که مدل رگرسیون وزن‌دار جغرافیایی توانایی برازش مناسب برای آلاینده PM_2.5 در فصل تابستان را داشته است؛ به‌طوری‌که با میزان R²=0.75 در فصل تابستان و با توجه به مقدار مثبت شاخص موران، بزرگ بودن مقدار Z و کوچک بودن P-Value، فرض عدم وجود همبستگی فضایی رد می‌شود که نشان از خوشه‌بندی اطلاعات دارد و همبستگی خوبی بین این آلاینده و متغیرهای مستقل بخصوص در فصل تابستان نشان داده شده است. نتایج این بخش از تحقیق با نتایج Bahari و همکاران (1394)، Sarvar و همکاران (1399) مطابقت دارد (21, 38).

نتیجه‌گیری

PM_2.5 از آلاینده‌های اصلی هوا برای شهر اصفهان است و اثرات بسیار مخربی بر سلامت انسان دارد. مدل‌سازی و پهنه‌بندی مکانی آلودگی هوا می‌تواند، به مدیران جهت مدیریت و شناسایی مناطق آلوده و به تبع آن، به‌کارگیری اقدامات مناسب جهت کاهش خطر کمک کند. روش رگرسیون وزن‌دار فضایی به‌عنوان شاخه‌ای جدید از تحلیل رگرسیون، قادر به شناخت و بررسی روابط میان متغیرهاست. نتایج این تحقیق نشان‌دهنده این است که سامانه اطلاعات جغرافیایی (GIS) و روش رگرسیون وزن‌دار جغرافیایی قابلیت‌ بالایی جهت پهنه‌بندی آلودگی هوا و تعیین پارامترهای تأثیرگذار بر آن از جمله پارامترهای تردد و جمعیت را دارد. مدل‌های پهنه‌بندی و درون‌یابی ابزار مفیدی برای شناخت رفتار آلاینده‌های خارج ‌شده از منبع آلاینده بوده و اندازه‌گیری‌های زیاد و پرهزینه را غیرضروری می‌نماید. این مطالعه نشان داد که مدل رگرسیون وزن‌دار جغرافیایی یک مدل مناسب برای بررسی اثر ترافیک و جمعیت بر انتشار آلاینده PM_2.5 است. در مجموع با توجه به ارزیابی پیش‌بینی‌های صورت گرفته و مقایسه با نتایج پهنه‌بندی‌ها می‌توان عملکرد مدل رگرسیون وزن‌دار جغرافیایی را در بررسی ارتباط بین متغیرهای مستقل و وابسته در این تحقیق در مورد آلاینده PM_2.5  قابل قبول دانست؛ به‌طوری‌که می‌توان از این مدل به‌عنوان ابزار علمی مناسب برای تجزیه و تحلیل استراتژی‌های کنترل و سیاست‌گذاری برای کاهش و پیشگیری از آلودگی هوا استفاده نمود. نتایج این مطالعه پایه و اساسی برای اقدامات مدیریت کیفیت هوا از بعد PM_2.5 ایجاد می کند. از محدودیت‌های این تحقیق می توان به تعداد کم ایستگاه های پایش آلاینده و نیز بازه زمانی یکساله مطالعه اشاره کرد که در مطالعات بعدی علاوه بر داده های ایستگاه‌های پایش می‌توان از نمونه برداری با دستگاه‌هایی نظیر دستگاه غبارسنج مت وان برای نمونه برداری و اندازه گیری غلظت PM_2.5  و نیز از بازه زمانی طولانی‌تری برای بررسی استفاده کرد.

تشکر و قدردانی

بدین‌وسیله نویسندگان این مقاله از همکاری بخش پایش و کنترل کیفیت هوای شهرداری اصفهان تقدیر و تشکر می­نمایند.

References

1. Cao, Q., Rui. G., Liang, Y., 2018. Study on PM2. 5 pollution and the mortality due to lung cancer in China based on geographic weighted regression model. BMC public health. Vol. 18., pp. 1-10.
2. Soleimani, M., Amini, N., Sadeghian, B., Wang, D., Fang, L., 2018. Heavy metals and their source identification in particulate matter (PM2.5) in Isfahan City, Iran. Journal of environmental sciences. Vol. 72, pp. 166-75. (In Persian)
3. Wei, Q., Zhang, L., Duan, W., Zhen, Z., 2019. Global and geographically and temporally weighted regression models for modeling PM2. 5 in Heilongjiang, China from 2015 to 2018. International journal of environmental research and public health. Vol. 16., pp.
4. Zallaghi, E., Geravandi, S., Nourzadeh Haddad, M., Goudarzi, G., Valipour, L., Salmanzadeh, S., 2015. Estimation of health effects attributed to nitrogen dioxide exposure using the airq model in Tabriz City, Iran. Health Scope. 4. pp. 31-37.
5. Liu, Q., Wu, R., Zhang, W., Li, W., Wang, S., 2020. The varying driving forces of PM2.5 concentrations in Chinese cities: Insights from a geographically and temporally weighted regression model. Environment International. Vol. 145. pp. 1-10.
6. Zhai, L., Li, S., Zou, B., Sang, H., Fang, X., Xu, S., 2018. An improved geographically weighted regression model for PM2. 5 concentration estimation in large areas. Atmospheric Environment. Vol. 181. pp. 145-54.
7. Mohseni Bandpi, A., Eslami, A., Shahsavani, A., Khodagholi, F., Alinejad, A., 2017. Physicochemical characterization of ambient PM2. 5 in Tehran air and its potential cytotoxicity in human lung epithelial cells (A549). Science of the Total Environment. Vol. 593. pp. 182-90. (In Persian)
8. Rezaei Mofrad, M., HosseinDoost, G., Rangraz Jedi, F., Gilasi, H., Gharlipour, Z., Vafaei, R., 2014. Assessing the awareness of the people of Kashan about the sources, effects and methods of air pollution control. Scientific Journal of Ilam University of Medical Sciences. Vol. 22. pp. 52-58. (In Persian)
9. Guo, B., Wang, X., Pei, L., Su, Y., Zhang, D., Wang, Y., 2021. Identifying the spatiotemporal dynamic of PM2. 5 concentrations at multiple scales using geographically and temporally weighted regression model across China during 2015–2018. Science of The Total Environment. Vol. 751. DOI: 1016/j.scitotenv.2020.141765
10. Chu, H-J., Huang, B., Lin, C-Y., 2015. Modeling the spatio-temporal heterogeneity in the PM10-PM2. 5 relationship. Atmospheric Environment. Vol. 102. pp. 176-82.
11. O'Leary, B., Reiners Jr, JJ., Xu, X., Lemke, LD., 2016. Identification and influence of spatio-temporal outliers in urban air quality measurements. Science of the Total Environment. Vol. 573. pp. 55-65.
12. An, X., Hou, Q., Li, N., Zhai, S., 2013. Assessment of human exposure level to PM10 in China. Atmospheric Environment. Vol. 70. pp. 376-86.
13. Kaufman, YJ., Tanré, D., Boucher, O., 2002. A satellite view of aerosols in the climate system. Nature. Vol. 419. pp. 215-23.
14. Gao, J., Li, S., 2011. Detecting spatially non-stationary and scale-dependent relationships between urban landscape fragmentation and related factors using Geographically Weighted Regression. Applied Geography. Vol. 31. pp. 292-302.
15. Cardoso, D., Painho, M., Roquette, R., 2019. A geographically weighted regression approach to investigate air pollution effect on lung cancer: A case study in Portugal. Geospatial health. 14. pp. 35-45.
16. Luo, J., Du, P., Samat, A., Xia, J., Che, M., Xue, Z., 2017. Spatiotemporal pattern of PM 2.5 concentrations in mainland China and analysis of its influencing factors using geographically weighted regression. Scientific reports. Vol. 7. pp. 1-14.
17. Wang, J., Wang, S., Li, S., 2019. Examining the spatially varying effects of factors on PM2. 5 concentrations in Chinese cities using geographically weighted regression modeling. Environmental pollution. Vol. 248. pp. 792-803.
18. Lin, G, Fu, J., Jiang, D., Hu, W., Dong, D., Huang, Y., 2014. Spatio-temporal variation of PM2. 5 concentrations and their relationship with geographic and socioeconomic factors in China. International journal of environmental research and public health. Vol. 11. pp. 173-86.
19. Wang, Z-b., Fang, C-l., 2016. Spatial-temporal characteristics and determinants of PM2. 5 in the Bohai Rim Urban Agglomeration. Chemosphere. Vol. 148. pp. 148-62.
20. Bahari, R., Abaspour, R., Pahlavani, P., 2016. Zoning of Particulate Matters (PM) pollution using local statistical models in GIS (Case Study: tehran Metropolisies). Journal of Geomatics Science and Technology. Vol. 5. pp. 165-74. (In Persian)
21. Shirvani, E., Sadeghi, M., Hosseini, SM., Khosravi, A., Rabiei, K., Rahimi, M., 2020. Fine Particle Air Pollution (PM 2.5) and Cardiovascular Hospitalization in Isfahan in 2012: CAPACITY Study. Iranian Heart Journal. Vol. 21. pp.75-81. (In Persian)
22. Meng, Y., Cave, M., Zhang, C., 2018. Spatial distribution patterns of phosphorus in top-soils of Greater London Authority area and their natural and anthropogenic factors. Applied Geochemistry. Vol. 88. pp. 213-20.
23. Soltani, A., Ahmadian, A., Esmaeli Ayuki, Y., 2010. Application of Spatial Weight Regression Model in Investigating Relationships between Space Variables in Urban Area. Armanshahr Architecture & Urban Planning Journal. Vol. 4. pp. 99-110. (In Persian)
24. Liu, L., Duan, Y., Li, L., Xu, L., Yang, Y., Cu, X., 2020. Spatiotemporal trends of PM2. 5 concentrations and typical regional pollutant transport during 2015–2018 in China. Urban Climate. Vol. 34. pp. 100710.
25. Ranjan, AK., Patra, AK., Gorai, A., 2020. A Review on Estimation of Particulate Matter from Satellite-Based Aerosol Optical Depth: Data, Methods, and Challenges. Asia-Pacific Journal of Atmospheric Sciences. pp. 1-21. DOI:1007/s13143-020-00215-0
26. Yoo, D., 2019. Geographically Weighted Regression: A Method for Spatial Analysis in Socio-Historical Research. Arch Iran Med. 2019;22(3): 155-160.
27. Wang, Q., Ni, J., Tenhunen, J., 2005. Application of a geographically‐weighted regression analysis to estimate net primary production of Chinese forest ecosystems. Global ecology and biogeography. Vol. 14. pp. 379-93.
28. Dogru, AO., David, RM., Ulugtekin, N., Goksel, C., Seker, DZ., Sözen, S., 2017. GIS based spatial pattern analysis: Children with Hepatitis A in Turkey. Environmental research. Vol. 156. pp. 349-57.
29. Peeters, A., Zude, M., Käthner, J., Ünlü, M., Kanber, R., Hetzroni, A., 2015. Getis–Ord’s hot-and cold-spot statistics as a basis for multivariate spatial clustering of orchard tree data. Computers and Electronics in Agriculture. Vol. 111. pp. 140-50.
30. Zhang, H., Tripathi, NK., 2018. Geospatial hot spot analysis of lung cancer patients correlated to fine particulate matter (PM2. 5) and industrial wind in Eastern Thailand. Journal of Cleaner Production. Vol. 170. pp. 407-24.
31. Hashemi Foumani, M., Motieian, H., 2020. Modeling the prevalence of super-acute avian influenza in Guilan province with data mining models and spatial information system in 2016: An ecological study. Scientific Journal of Rafsanjan University of Medical Sciences. Vol. 9. pp. 677-92. (In Persian)
32. Zhao, R., Zhan, L., Yao, M., Yang, L., 2020. A geographically weighted regression model augmented by Geodetector analysis and principal component analysis for the spatial distribution of PM2. 5. Sustainable Cities and Society. Vol. 56. pp. 102106.
33. Cheng, Y-H., Chang, H-P., Yan, J-W., 2012. Temporal variations in airborne particulate matter levels at an indoor bus terminal and exposure implications for terminal workers. Aerosol and Air Quality Research. Vol. 12. pp. 30-38.
34. Soltani, A., Ahmadian, A., Esmaily IY., 2010. GWR Model Application In Investigation of Spatial Variables In An Urban District: Case Study Of Region 7, Municipality Of Tehran. (In Persian)
35. Azadi Mubaraky, M., Ahmadi, M., 2020. Long-term variability of particulate matter (PM2.5) in Tabriz using remote sensing data. Physical Geography Research Quarterly. Vol. 52. pp. 467-80. (In Persian)
36. Zhou, Q., Wang, C., Fang, S., 2019. Application of geographically weighted regression (GWR) in the analysis of the cause of haze pollution in China. Atmospheric Pollution Research. Vol. 10. pp. 835-46.
37. Sarvar, H., Esmailpour, M., Kirizadeh, M., Amraei, M., 2020. Spatial analysis of factors affecting air pollution in Tabriz city. Journal of Natural Environmental Hazards. Vol. 9. pp. 151-72.

1- کارشناس ارشد آلودگی محیط زیست، گروه محیط زیست، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران.

2- استادیار گروه محیط زیست، مرکز تحقیقات پسماند و پساب، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران. ^*(مسوول مکاتبات)

[3]- Department of environmental sciences, Isfahan (Khorasgan) Branch, Islamic Azad University, Isfahan, Iran.

[4]- Asisstant Professor, Department of environmental sciences, Waste and Wastewater Research Center, Isfahan (Khorasgan) Branch, Islamic Azad University, Isfahan, Iran. *(Corresponding Author)