سامانه مدیریت نشریات علمی دانشگاه شهید بهشتی

شمسایی, سولماز, احمدی ندوشن, مژگان, جلالیان, احمد. (1401). مدل‌سازی مکانی-زمانی پراکنش آلاینده‌ CO با استفاده از تصاویر MODIS و الگوریتم‌های ANFIS و RF (مطالعه موردی: شهر اصفهان). , 20(3), 1-16. doi: 10.52547/envs.2021.1069
سولماز شمسایی; مژگان احمدی ندوشن; احمد جلالیان. "مدل‌سازی مکانی-زمانی پراکنش آلاینده‌ CO با استفاده از تصاویر MODIS و الگوریتم‌های ANFIS و RF (مطالعه موردی: شهر اصفهان)". , 20, 3, 1401, 1-16. doi: 10.52547/envs.2021.1069
شمسایی, سولماز, احمدی ندوشن, مژگان, جلالیان, احمد. (1401). 'مدل‌سازی مکانی-زمانی پراکنش آلاینده‌ CO با استفاده از تصاویر MODIS و الگوریتم‌های ANFIS و RF (مطالعه موردی: شهر اصفهان)', , 20(3), pp. 1-16. doi: 10.52547/envs.2021.1069
شمسایی, سولماز, احمدی ندوشن, مژگان, جلالیان, احمد. مدل‌سازی مکانی-زمانی پراکنش آلاینده‌ CO با استفاده از تصاویر MODIS و الگوریتم‌های ANFIS و RF (مطالعه موردی: شهر اصفهان). , 1401; 20(3): 1-16. doi: 10.52547/envs.2021.1069

مدل‌سازی مکانی-زمانی پراکنش آلاینده‌ CO با استفاده از تصاویر MODIS و الگوریتم‌های ANFIS و RF (مطالعه موردی: شهر اصفهان)

فصلنامه علوم محیطی
مقاله 1، دوره 20، شماره 3، 1401، صفحه 1-16    اصل مقاله (438.37 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.52547/envs.2021.1069
نویسندگان
سولماز شمسایی1؛ مژگان احمدی ندوشن* 1؛ احمد جلالیان2
1گروه محیط زیست، مرکز تحقیقات پسماند و پساب، دانشگاه آزاد اسلامی واحد اصفهان (خوراسگان)، اصفهان، ایران
2گروه خاکشناسی، دانشگاه آزاد اسلامی واحد اصفهان (خوراسگان)، اصفهان، ایران
چکیده
سابقه و هدف: امروزه صنعتی شدن و توسعه شهرنشینی باعث آلودگی هوا در اکثر کلان‌شهرهای جهان شده است و سالانه میلیون­ ها نفر به ­علت آلودگی هوا جان خود را از دست می­ دهند. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﺤﺪود ﺑﻮدن ﺷﺒﻜﻪ اﻳﺴﺘﮕﺎه‌ﻫﺎى ﭘﺎﻳﺶ آﻻﻳﻨﺪه‌ﻫﺎى ﻫﻮا و ﻏﻴﺮ اﻗﺘﺼﺎدى ﺑﻮدن اﻓﺰاﻳﺶ ﺗﻌﺪاد این اﻳﺴــﺘﮕﺎه‌ﻫا در سطح شهرها، دﺳﺖ‌ﻳﺎﺑﻰ ﺑﻪ ﭘﻮﺷــﺶ ﻣﻜﺎﻧﻰ و زﻣﺎﻧﻰ ﻣﻨﺎﺳــﺐ برای ﻧﺸﺎن دادن ﺗﻐﻴﻴﺮات ﻏﻠﻈﺖ ذرات آلاینده هوا ﺑﺴﻴﺎر دﺷﻮار اﺳﺖ. بر این اساس پژوهش حاضر با هدف تهیه نقشه ­های دو سالانه (سال‌های 1397 و 1398 هجری شمسی) آلودگی هوای شهری در سطح شهر اصفهان بر اساس آلاینده CO و با استفاده از داده ­های زمینی و تصاویر ماهواره ­ای سنجنده MODIS انجام شد.
مواد و روش­ ها: برای این مطالعه از دو الگوریتم ANFIS و RF استفاده شد. برای اجرای الگوریتم ANFIS، ابتدا داده­ های ایستگاه ­های زمینی پایش آلودگی هوا جمع ­آوری شد و بر اساس آن و با توجه به داده­ های عمق نوری هواویز حاصل از تصاویر سنجنده MODIS نسبت به استخراج قوانین نخستین فازی اقدام شد و در نهایت با ادغام قوانین فازی و الگوریتم شبکه عصبی مصنوعی، الگوریتم ANFIS برای مدل ­سازی پراکنش آلودگی هوا در سطح شهر اصفهان اجرا شد. در اجرای الگوریتم RF نیز از داده­ های ایستگاه ­های زمینی و داده ­های عمق نوری هواویز سنجنده MODIS استفاده شد. دو پارامتر مهم در اجرای الگوریتم RF تعداد درختان جنگل و تعداد متغیرهای موجود در هر گره است که برای بهینه ­سازی آن­ها از روش اعتبارسنجی متقابل 10 قسمتی استفاده شد.
نتایج و بحث: نتایج مدل ­سازی آلاینده CO نشان داد الگوریتم RF نتایج بهتری را نسبت به الگوریتم ANFIS ارائه داده است، به ­طوری­ که مقدار خطای RMSE الگوریتم RF، 724/0 و مقدار خطای RMSE الگوریتم ANFIS، 809/0 پی پی ام است، همچنین مقدار خطای MAE الگوریتم RF، 636/0 و مقدار خطای MAE الگوریتم ANFIS، 792/0 پی پی ام است. بنابراین می ­توان گفت الگوریتم RF از کارایی و دقت بیشتری در مدل ­سازی آلاینده CO برخوردار است. نتایج پراکنش مکانی آلاینده CO با استفاده از الگوریتم ANFIS نشان داد میزان این آلاینده در سطح شهر اصفهان به­ صورت محلی تغییر می ­کند، به ­طوری­ که مناطق مرکزی و شمالی شهر اصفهان دارای بیشترین آلایندگی و مناطق شرقی و غربی اصفهان دارای کمترین آلایندگی هستند. بررسی مقادیر عددی به­ دست آمده از الگوریتم ANFIS نیز نشان داد کمترین میزان آلایندگی CO در سطح شهر اصفهان برابر با 43/1 پی پی ام و بیشترین مقدار آن برابر با 13/2 پی پی ام است. نتایج به ­دست آمده از الگوریتم RF نشان داد با حرکت از جنوب ­شرقی به سمت شمال ­غربی شهر اصفهان  بر میزان آلاینده CO افزوده شده و مناطق شمال­ غربی شهر اصفهان از بیش­ترین آلایندگی CO برخوردار هستند، بررسی مقادیر عددی به­ دست ­آمده از میزان آلایندگی CO بر اساس الگوریتم RF نشان داد کمترین میزان آلاینده CO برابر با 57/0 پی پی ام و بیشترین مقدار آن برابر با 27/2 پی پی ام است.
نتیجه ­گیری: در انتها می ­توان نتیجه گرفت الگوریتم ­های ANFIS و RF با داشتن ویژگی­ هایی همچون امکان مدل­ سازی غیر خطی، توانایی کاهش اثرات منفی داده­ های پرت و حساسیت کمتر به مساله کمینه محلی، روش­ هایی مناسب و دقیق در مدل­ سازی مسائل محیطی هستند. شایان ذکر است که بخش گسترده‌ای از خطای مشاهده شده در نتایج روش­ های ANFIS و RF، مرتبط با ویژگی­ های ذاتی تصاویر سنجنده مودیس (همچون پوشش ابر و مختلط بودن بیش از حد پیکسل­ ها با توجه به ابعاد یک کیلومتری آنها) و نقطه ­ای بودن اندازه گیری­ های ایستگاه ­های زمینی و همچنین امکان خطا در داده ­های ثبت شده در ایستگاه ­های زمینی است.
کلیدواژه‌ها
اصفهان؛ مدل‌سازی؛ ANFIS؛ CO؛ RF
عنوان مقاله [English]
Spatiotemporal modeling of CO pollutant in city of Isfahan using MODIS imagery and ANFIS and RF algorithms
نویسندگان [English]
Soolmaz Shamsaie1؛ Mozhgan Ahmadi Nadoushan1؛ Ahmad Jalalian2
1Department of Environmental Sciences, Waste and Wastewater Research Center, Isfahan (Khorasgan) Branch, Islamic Azad University, Isfahan, Iran
2Department of Soil Sciences, Isfahan (Khorasgan) Branch, Islamic Azad University, Isfahan, Iran
چکیده [English]
Introduction: Industrialization, urbanization, and population growth are considered as the main causes of urban air pollution that is responsible for millions of deaths per year worldwide. Besides, the impact of urban air pollution on health is considerable. Respiratory and lung diseases, and heart attacks are largely due to urban air pollution. However, there is a lack of air pollution monitoring stations (hereafter stations) in most cities worldwide because of their high expenses, and, thus, access to high spatial and temporal coverage of air pollutants and their distribution is limited. To address this issue, the main purpose of this study was to estimate CO concentration in Isfahan, Iran, based on air pollution monitoring stations and Moderate Resolution Imaging Spectroradiometer (MODIS) data from 2018 to 2019. 
Material and methods: In the present work, we used adaptive neuro-fuzzy inference system )ANFIS( and Random Forest (RF) algorithms to estimate CO concentrations. To implement the ANFIS algorithm, based on collected air pollution data from the stations and Aerosol Optical Depth (AOD) data from MODIS imagery, the basic fuzzy rules were extracted. Further, with the integration of fuzzy rules and artificial neural network algorithm, ANFIS algorithm was implemented to model the dispersion of CO level in Isfahan city. To model the dispersion of CO using the RF algorithm, air pollution data and AOD data were used. Since the number of trees and the number of variables in each node are two basic parameters in the success of the RF algorithm, a 10-fold cross-validation method was used to identify value for these two variables.
Results and discussion: Our findings indicated that the RF algorithm was more efficient and accurate in spatial modeling the dispersion of CO because it achieved better RMSE and MAE results than the ANFIS algorithm. The RMSE error value of the RF and ANFIS algorithms were 0.724 and 0.809 ppm, respectively. Furthermore, the MAE error value of the RF and ANFIS algorithms were 0.636 and 0.792 ppm, respectively. In the case of spatial dispersion of CO pollutants, the ANFIS algorithm showed that the amount of this pollutant varies in the city. For example, the central and northern regions of Isfahan had the most pollution and the eastern and western regions of Isfahan had the least pollution based on the ANFIS algorithm. Regarding the RF algorithm, it was observed that by moving from the southeast to the northwest of Isfahan, the amount of CO pollutant increases, and the northwestern regions of Isfahan had the highest CO pollution. The examination of numerical values obtained from the ANFIS algorithm showed that the lowest amount of CO pollution in Isfahan city was equal to 1.43 ppm and the highest amount was 2.13 ppm. In contrast, obtained results from the RF algorithm showed that the lowest amount of CO pollution in the city was equal to 0.57 ppm and the highest amount was 2.27 ppm.
Conclusion: Overall, it can be concluded that since ANFIS and RF algorithms are appropriate and accurate methods in modeling environmental problems due to their nonlinear modeling, the ability to reduce the negative effects of outgoing data, and less sensitivity to the local minimum problem. It should be noted that a significant part of the error observed in the results of ANFIS and RF methods was related to the intrinsic properties of MODIS imagery (i.e., cloud cover and mixed pixel problem due to the coarse resolution of MODIS imagery), point measurements of air pollution data collected from the stations, and recorded data error at the stations.
کلیدواژه‌ها [English]
Isfahan, Modeling, ANFIS, CO, RF
مراجع

Alavi, C., Kianejad, S. and Sabbagh, S., 2019. Preparation of air pollution mapping by interpolating kriging method in GIS case study Tehran metropolis. Journal of Urban Ecology Researches. 10, 171-184.
Alikhani, M., Nouri, M.J. and Ghalehnoee, M., 2019. Prioritizing urban districts according to their need’s green spaces case study 15 selected districts of Isfahan. Journal of Environmental Studies. 45,115-132.
Chen, X., Chen, H., Yang, Y., Wu, H., Zhang, W., Zhao, J. and Xiong, Y., 2021. Traffic flow prediction by an ensemble framework with data denoising and deep learning model. Physica A Statistical Mechanics and its Applications. 565,
125574-125587.
Chung, C.J., Hsieh, Y.Y. and Lin, H.C., 2019. Fuzzy inference system for modeling the environmental risk map of air pollutants in Taiwan. Journal of Environmental Management. 246, 808-820.
Dehghan, H., 2019. Urban typology focusing on the social pathologies in super wicked neighborhoods of fifteen areas of Isfahan. Journal Applied Sociology. 30, 117-136.
Geng, G., Zhang, Q., Martin, R.V., van Donkelaar, A., Huo, H., Che, H. and He, K., 2015. Estimating long-term PM 2.5 concentrations in China using satellite-based aerosol optical depth and a chemical transport model. Remote Sensing of Environment. 166, 262-270.
Ghaemi, Z., Taleai, M., Farnaghi, M. and Javadi, G., 2017. Prediction of Tehran air pollution using PCA-ANFIS method. Iranian Journal of Remote Sensing and GIS. 9, 45-70.
Ghahremanloo, M., Lops, Y., Choi, Y. and Mousavinezhad, S., 2021. Impact of the COVID-19 outbreak on air pollution levels in East Asia. Science of The Total Environment. 754, 142226-142239.
Hastie, T., Tibshirani, R. and Friedman, J., 2009. The elements of statistical learning data mining inference and prediction. Springer Science and Business Media. USA.
Hochman, A., Rostkier-Edelstein, D., Kunin, P. and Pinto, J.G., 2021. Changes in the characteristics of ‘wet’and ‘dry’Red Sea Trough over the Eastern Mediterranean in CMIP5 climate projections. Theoretical and Applied Climatology.
143, 781-794.
Järvi, L., Hannuniemi, H., Hussein, T., Junninen, H., Aalto, P.P., Hillamo, R. and Kulmala, M., 2009. The urban measurement station SMEAR III Continuous monitoring of air pollution and surface atmosphere interactions in Helsinki Finland. Boreal Environment Research Publishing Board.14, 86-109.
Jung, C.R., Hwang, B.F. and Chen, W.T., 2018. Incorporating long-term satellite-based aerosol optical depth localized land use data and meteorological variables to estimate ground-level PM 2.5 concentrations in Taiwan from 2005 to
2015. Environmental pollution. 237, 1000-1010.
Karaboga, D. and Kaya, E., 2019. Adaptive network based fuzzy inference system (ANFIS) training approaches a comprehensive survey. Artificial Intelligence Review. 52, 2263-2293.
Kloog, I., Chudnovsky, A.A., Just, A.C., Nordio, F., Koutrakis, P., Coull, B.A., Lyapustin, A., Wang, Y. and Schwartz, J., 2014. A new hybrid spatio-temporal model for estimating daily multiyear PM 2.5 concentrations across northeastern
USA using high resolution aerosol optical depth data. Atmospheric environment. 95, 581-590.
Kumar, D., 2018. Evolving Differential evolution method with random forest for prediction of Air Pollution. Procedia computer science. 132, 824-833.
Li, J., Shao, X. and Zhao, H., 2018. An online method based on random forest for air pollutant concentration forecasting. In Proceedings 37th Chinese Control Conference (CCC), 25th-27th July, Wuhan, China. p. 9641.
Li, X. and Zhang, X., 2019. Predicting groundlevel PM 2.5 concentrations in the Beijing-Tianjin-Hebei region A hybrid remote sensing and machine learning approach. Environmental Pollution. 249, 735-749.
Lu, J., Li, B., Li, H. and Al-Barakani, A., 2021. Expansion of city scale traffic modes traffic congestion and air pollution. Cities. 108, 102974-102987.
Mahboubfar, M.R., Rameshat, M.H.,Yazdanpanah, H. and Azani, M., 2018. Investigating the process of changes in the air
quality index in order to manage the air pollution crisis in the city of Isfahan. International journal of urban and rural management. 17, 323-336.

Mamkhezri, J., Bohara, A.K. and Islas Camargo, A., 2020. Air pollution and daily mortality in the Mexico City metropolitan area. Atmosfera. 33, 249-267.
Navarro-Barboza, H., Moya-Alvarez, A., Luna, A. and Fashe-Raymundo, O., 2020. Influence evaluation of PM10 produced by the burning of biomass in Peru on AOD using the WRF-Chem. Atmosfera. 33, 71-86.
Prasad, K., Gorai, A. K. and Goyal, P., 2016. Development of ANFIS models for air quality forecasting and input optimization for reducing the computational cost and time. Atmospheric environment. 128, 246-262.
Reisi, M., Soffianian, A. and Ghodosi, H., 2015. Sitting industries with weighted linear combination methodology in a GIS environment in great Isfahan region. Journal of environmental science and technology. 16, 85-96.
Rezaei, H. and Basirololumi, M., 2018. Estimate the concentration of nitrogen dioxide using model artificial neural network GRNN. Journal of Environmental Science and Technology. 20, 11-24.
Shao, F., Wu, H., Li, G., Sun, F., Yu, L., Zhang, Y., Dong, L. and Zhiyi, B., 2019. PM 2.5 Concentrations in the greenbelt near the Lin’an toll station of the Hang Rui expressway and related influencing factors. Atmosfera. 32, 323-336.
Tang, J., Xue, Y., Yu, T. and Guan, Y., 2005. Aerosol optical thickness determination by exploiting the synergy of TERRA and AQUA MODIS. Remote Sensing of Environment. 94, 327-334.
Tian, J. and Chen, D., 2010. A semi-empirical model for predicting hourly ground-level fine particulate matter concentration in southern Ontario from satellite remote sensing and groundbased meteorological measurements. Remote Sensing of Environment. 114, 221-229.
Vahdat, A.H. and Alimohammadi, A., 2020. Study of Hourly Variability of Association between Land Use Parameters and CO-Pollutant Using LUR Model in Tehran. Iranian Journal of Remote Sensing and GIS. 12, 1-18.
Wei, J., Huang, W., Li, Z., Xue, W., Peng, Y., Sun, L. and Cribb, M., 2019. Estimating 1-kmresolution PM 2.5 concentrations across China using the space-time random forest approach. Remote Sensing of Environment. 231, 111221-
111235.
Zeinalnezhad, M., Chofreh, A.G., Goni, F.A. and Klemeš, J.J., 2020. Air pollution prediction using semi-experimental regression model and Adaptive Neuro-Fuzzy Inference System. Journal of Cleaner Production. 261, 218-231.
Zhou, Y., Chang, L.C. and Chang, F.J., 2020. Explore a Multivariate Bayesian Uncertainty Processor driven by artificial neural networks for probabilistic PM 2.5 forecasting. Science of The Total Environment. 711, 134792-134805.

آمار
تعداد مشاهده مقاله: 12,062
تعداد دریافت فایل اصل مقاله: 5,175