تحلیل آمار بر ۶ سال کیفیت هوای اصفهان (۱۹۸۱۶)

پروژه حاضر، با استفاده از داده‌های ۶ سال کیفیت هوای اصفهان، انجام شده است. داده‌ها توسط معاونت حمل و نقل و ترافیک شهرداری اصفهان ارائه گردید که دو مجموعه داده «غلظت آلاینده‌ها» و «شاخص‌های هواشناسی» را شامل می‌شد. مجموعه نخست، متعلق به ۱۳ ایستگاه سنجش کیفیت هوای فعال در سطح شهر اصفهان است که اسامی و موقعیت آن‌ها را می‌توان در ذیل مشاهده کرد. مجموعه دوم نیز به داده‌های هواشناسی ایستگاه فرودگاه اصفهان مرتبط می‌شود که شاخص‌های آب و هوایی را پایش می‌کند.
در ادامه سعی داریم با بکارگیری روش‌های مناسب، چهار محوریت کلیدی این پروژه را بررسی نماییم.

• بررسی الگوی تغییرات ساعتی آلاینده اُزن، متناسب با تغییرات دما و تشعشع در بازه زمانی ۶ ساله
• بررسی تغییرات اُزن متناسب با الگوی وزش باد در شهر اصفهان طی ۶ سال
• بررسی تأثیر غلظت اکسیدهای نیترژون در افزایش و کاهش غلظت اُزن
• بررسی تغییرات ۶ ساله آلاینده ذرات معلق و ارتباط آن با داده‌های هواشناسی (سرعت و جهت باد)

تغییرات ازن/تغییرات دما

این موضوع بر درک چرخه روزانه سطوح اُزن و همبستگی آن با دما و تابش خورشید تمرکز دارد. اُزن (O3) یک آلاینده ثانویه است که از واکنش اکسیدهای نیتروژن (NOx) و ترکیبات آلی فرار (VOCs) در حضور نور خورشید تشکیل می‌شود. شناسایی تغییرات ساعتی آن برای شناخت ساعات اوج آلودگی و وابستگی آن‌ها به شرایط آب و هوایی بسیار مهم است. این دانش به پیش‌بینی الگوهای تشکیل اُزن کمک می‌کند که برای سلامت عمومی و برنامه‌ریزی شهری ضروری است. با تجزیه و تحلیل شش سال داده، می‌توانیم روندها و نقاط پرت را شناسایی کنیم. نتایج شامل شناسایی زمان‌های بحرانی برای کنترل اُزن، درک چرخه‌های فصلی و روزانه، و ارائه بینشی در مورد نقش دما و تابش خورشید در تغییرات اُزن است.

با رسم نمودارهای تغییرات اُزن و دما بر حسب ساعت، ماه و سال، می‌توان متوجه شد که دما ارتباط مثبت و خطی با غلظت آلاینده اُزن دارد. با تابش شدیدتر آفتاب در ساعت میانی روز یا در نظر گرفتن فصول گرم سال، می‌توان گفت غلظت آلاینده اُزن افزایش می‌یابد. از طرفی در نمودار حرارتی سمت راست، بیشترین غلظت آلاینده اُزن به سال ۱۴۰۰ و ماه‌های تابستان اختصاص یافته است.

نمودار تجزیه سری زمانی برای تغییرات اُزن (O3) در طول زمان، داده‌ها را به سه جزء اصلی تقسیم می‌کند: روند، نمود فصلی و باقی‌مانده.
• روند (Trend): این مؤلفه، تغییرات طولانی مدت در سطح اُزن را نشان می‌دهد. از نمودار حاصل، به نظر می‌رسد که روند سطوح اُزن در طول سال‌های اخیر با شیب ملایمی رو به افزایش بوده است.
• نمود فصلی (Seasonal): این مؤلفه نوسانات منظم و مکرر سطح اُزن را که در طی یک سال رخ می‌دهد، ثبت می‌نماید. نمودار نشان می‌دهد که تغییرات فصلی قابل توجهی وجود داشته و فراز و فرودها در فواصل زمانی منظم رخ می‌دهند. این می‌تواند به دلیل عواملی مانند تغییرات دما، نور خورشید و فعالیت‌های انسانی باشد که متناسب با فصول، متفاوت است.
• باقی‌مانده (Redidual): این مؤلفه نوسانات نامنظم یا تصادفی در سطح ازن را نشان می‌دهد که با روند یا اجزای فصلی، توضیح داده نمی‌شود. به نظر می‌رسد باقی‌مانده‌ها نسبتاً کوچک هستند؛ نشان می‌دهد که روند و مؤلفه‌های فصلی بیشترین نوسانات در داده‌ها را به خود اختصاص می‌دهند.

XGBRegressor یک مدل یادگیری ماشین از کتابخانه XGBoost بوده که به طور خاص برای مدل‌سازی رگرسیونی طراحی شده است. این روش، نمودی از درخت تصمیم گرادیان تقویت‌شده است که یک الگوریتم قدرتمند و پرکاربرد برای مدل‌سازی پیش‌بینی‌کننده محسوب می‌شود.
در اینجا برای مدل‌سازی و بررسی تغییرات غلظت اُزن در عین پیش‌بینی داده‌های آتی، از این روش استفاده کردیم که نتایج آن به شرح زیر است:
۵-Fold Cross-Validation MSE: 4.9699 (±۰.۱۸۳۴)
۵-Fold Cross-Validation R²: ۰.۹۹۲۷ (±۰.۰۰۰۳)

این مدل با دقت ۹۹ درصدی قادر است تغییرات آلاینده اُزن را پیش‌بینی کند. در این نتیجه:
• میانگین مربعات خطا (MSE): میانگین مجذور اختلاف بین مقادیر پیش‌بینی شده و واقعی را اندازه می‌گیرد. MSE پایین نشان‌دهنده عملکرد بهتر است.
• R-squared (R²): نشان‌دهنده نسبت واریانس در متغیر هدف است که توسط مدل توضیح داده می‌شود. مقادیر نزدیک به ۱ نشان دهنده تناسب بهتری است.
همچنین نمودار Feature Importance نشان می‌دهد که دما و ساعت روز، نقش مهمی در مدل‌سازی تغییرات اُزن داشته‌اند.

تغییرات ازن/وزش باد

این موضوع، چگونگی تأثیر سرعت، جهت و الگوهای وزش باد بر پراکندگی و تجمع آلاینده اُزن را بررسی می‌کند. باد نقش کلیدی در انتقال آلاینده‌ها، رقیق کردن غلظت اُزن یا افزایش تشکیل آن با وارد کردن آلاینده‌های پیش‌ساز به مناطق شهری دارد.
درک تأثیر الگوهای وزش باد در طول شش سال، شرایط جوی غالب مرتبط با سطوح اُزن بالا یا پایین را نشان می‌دهد. این اطلاعات کمک می‌کند تا بتوان استراتژی‌هایی را برای کاهش کانون‌های آلودگی و بهبود کیفیت هوا طراحی کرد.

باتوجه به نمودارها، جهت وزش باد در شهر اصفهان عمدتاً از سمت شمال تا غرب است. با افزایش تعداد و شدت وزش باد شاهد کاهش میزان اُزن هستیم. در عین حال جهت‌هایی با تعداد و شدت باد کمتر، غلظت اُزن بیشتری طی بازه مربوطه ثبت کرده‌اند. همچنین تأثیر فصل بر وزش باد و برودت هوا را می‌توان با رنگ‌های راهنما در مقدار غلظت اُزن مشاهده کرد.

نمودارهای Windrose ابزارهای گرافیکی مورد استفاده در هواشناسی برای تصویرسازی توزیع سرعت و جهت باد در یک مکان خاص طی دوره زمانی معین هستند. این نمودار دایره‌ای، موارد زیر را نمایش می‌دهد:

• جهت باد: با جهت‌های قطب‌نما (به عنوان مثال، N، NE، E، SE، و غیره) در امتداد محیط دایره نشان داده می‌شود.
• سرعت باد: با دایره‌ها/کمان‌های متحدالمرکز نشان داده می‌شود که فاصله هرکدام از مرکز، نشان‌دهنده تعداد یا بزرگی سرعت باد است.
• فراوانی باد: طول هر «گلبرگ» یا «میله» در یک جهت مشخص، نشان می‌دهد که باد چقدر از آن جهت می‌وزد.
• توزیع سرعت باد: رنگ‌ها یا بخش‌های مختلف در هر نوار نشان‌دهنده نسبت زمانی است که باد در محدوده‌های سرعت خاصی می‌وزد.

نمودارهای حاضر علاوه بر توزیع سرعت و فراوانی باد در جهت‌های مختلف، مقادیر غلظت اُزن در هر زمان ثبت شده را نیز به شکل نقطه‌ای نمایش می‌دهند. نقاط آبی رنگ بیانگر غلظت کم و نقاط قرمز بیانگر غلظت زیاد این آلاینده است. همچنین با افزایش سطح اُزن، حجم نقاط نیز بزرگ‌تر می‌شود. بدین ترتیب می‌توان در عین مشاهده الگوهای وزش باد، تأثیر آن بر کاهش یا افزایش غلظت اُزن را ملاحظه کرد.

اکسیدهای نیتروژن/ازن

اکسیدهای نیتروژن (NOx) پیش‌سازهای تشکیل اُزن هستند، اما می‌توانند تحت شرایط خاص از طریق تیتراسیون شیمیایی، اُزن را کاهش دهند.
این موضوع، چگونگی تأثیر سطوح NOx بر روند تغییرات غلظت اُزن را تجزیه و تحلیل می‌کند. مبحث پیش‌رو همچنین به روشن شدن اینکه آیا کاهش NOx همیشه اُزن را کاهش می‌دهد یا منجر به افزایش ناخواسته آن می‌شود (به عنوان مثال، مناطق حساس به VOC) نیز کمک می‌کند.

همانطور که ملاحظه می‌شود، برخلاف آلاینده اُزن که با افزایش دما در ساعات، ماه‌ها و فصول گرم سال شاهد بالا رفتن غلظت آن بودیم، برای اکسیدهای نیتروژن شاهد کاهش هستیم. همچنین نمودار حرارتی نیز تأیید می‌کند که با کاهش دما در فصول سرد، غلظت NOx افزایش می‌یابد.

درواقع اینطور نشان می‌دهد که با افزایش غلظت اُزن، غلظت آلاینده اکسیدهای نیتروژن کاهش یافته است. اما چرا؟

واکنش کسیدهای نیتروژن با ازن

روند مشاهده‌ای که توضیح دادیم – که در آن اکسیدهای نیتروژن (NOx) با افزایش اُزن در ماه‌های گرم، کاهش یافته و در ماه‌های سرد بالعکس – را می‌توان با برهمکنش‌های پیچیده شیمیایی و جوی بین NOx و O3 توضیح داد. این رابطه به عوامل مختلفی بستگی دارد:

• دما و واکنش‌های فتوشیمیایی
  تشکیل اُزن: در ماه‌های گرم، دمای بالا و نور خورشید، سرعت واکنش‌های فتوشیمیایی را افزایش می‌دهد. اکسیدهای نیتروژن (عمدتاً NO و NO2) با ترکیبات آلی فرار (VOCs) در زیر نور خورشید واکنش داده و اُزن تولید می‌کنند. همانطور که اکسیدهای نیتروژن در این واکنش‌ها مصرف می‌شوند، سطح آن کاهش یافته و در آن سمت، سطح اُزن افزایش می‌یابد.
  تیتراسیون اُزن: در شب یا در ماه‌های سردتر که نور خورشید حداقل است، اُزن با NO واکنش داده و NO2 تشکیل می‌دهد؛ بدین ترتیب سطح اُزن کاهش می‌یابد. این فرآیند که به عنوان تیتراسیون اُزن شناخته می‌شود، رابطه معکوسی را که در ماه‌های سرد مشاهده کردیم، توضیح می‌دهد.
• تغییرات فصلی اتمسفر
  لایه‌های جوی پایدار در زمستان: در ماه‌های سردتر، جو پایدارتر است و آلاینده‌هایی مانند NOx به دلیل کاهش اختلاط و پراکندگی، تمایل به تجمع در نزدیکی سطح دارند. این منجر به غلظت‌های بالاتر NOx می‌شود؛ اما به دلیل فعالیت فتوشیمیایی محدود، سطح اُزن پایین‌تر است.
  اختلاط تقویت‌شده در تابستان: ماه‌های گرم‌تر، اغلب اختلاط جوی بیشتری دارند که NOx را پراکنده ساخته و منجر به غلظت‌های پایین‌تر آن می‌شود. در عین حال، افزایش شدت تابش خورشید باعث تولید اُزن می‌شود.
• روند فصلی در انتشار
  ماه‌های سرد: افزایش انتشار گازهای گلخانه‌ای ناشی از گرمایش و تردد وسایل نقلیه در زمستان، سطوح NOx را افزایش می‌دهد. با این حال، نور خورشید و درجه حرارت کمتر، از تولید اُزن جلوگیری می‌کند.
  ماه‌های گرم: کاهش انتشار NOx و افزایش تشکیل اُزن به دلیل فعالیت فتوشیمیایی قوی‌تر که روند فصلی معکوس را توضیح می‌دهد.

درک این تغییرات، اهمیت استراتژی‌های کنترل آلودگی را باتوجه به شرایط خاص هر منطقه و فصل بیان می‌کند. به عنوان مثال، کاهش Nox ممکن است اُزن را در زمستان کاهش دهد، اما در تابستان به‌ویژه در مناطق با VOC محدود، آن را افزایش می‌دهد.

ذرات معلق/وزش باد

این موضوع بر مطالعه روندهای بلند مدت PM2.5 و ارتباط آن‌ها با متغیرهای هواشناسی مانند سرعت و جهت باد متمرکز است. PM2.5 به عنوان ذرات معلق ریز با قطر ۲.۵ میکرون یا کمتر معرفی می‌شود؛ آلایندهای خطرناک که با مشکلات شدید سلامتی از جمله بیماری‌های تنفسی و قلبی عروقی مرتبط است.
تجزیه و تحلیل رابطه آن با الگوهای وزش باد، می‌تواند نشان دهد که چگونه شاخص‌های هواشناسی بر جابجایی یا سکونت این آلاینده تأثیر می‌گذارد.

پیش‌تر در خصوص نمودارهای Windrose صحبت کرده و نمونه‌ای از آن را مشاهده کردیم. نمودارهای حاضر، علاوه بر توزیع سرعت و فراوانی باد در جهت‌های مختلف، مقادیر ذرات معلق با واحد میکروگرم بر متر مکعب (µg/m³) را نیز در هر زمان ثبت شده به شکل نقطه‌ای نمایش می‌دهند. کماکان نقاط آبی رنگ بیانگر غلظت کم و نقاط قرمز بیانگر غلظت زیاد این آلاینده است. همچنین با افزایش میزان آلاینده، حجم نقاط نیز بزرگ‌تر می‌شود. بدین ترتیب می‌توان در عین مشاهده الگوهای وزش باد، تأثیر آن بر کاهش یا افزایش میزان ذرات معلق را ملاحظه کرد.

همانطور که گفتیم، وزش باد در شهر اصفهان از سمت شمال و غرب با فراوانی و سرعت بیشتری همراه است. با افزایش تعداد و شدت وزش باد شاهد کاهش میزان ذرات معلق هستیم. با این حال، در قسمت‌هایی مشاهده می‌شود که سرعت بالای باد خصوصاً بادهای ناگهانی، موجب انتقال آلاینده‌های خارجی به داخل شهر شده است (نقاط قرمز رنگ تابستان یا بهار). همچنین جهت‌هایی با تعداد و شدت باد کمتر، میزان آلاینده بیشتری طی بازه مربوطه ثبت کرده‌اند (نقاط قرمز مرکزی).
تأثیر فصل‌های سرد سال و در پی آن وقوع پدیده وارونگی هوا را نیز می‌توان در پاییز و زمستان مشاهده کرد؛ در فصل پاییز در عین وزش شدیدتر باد شاهد نقاط سرخ رنگ بیشتری هستیم.

در این پروژه به بررسی داده‌های ۶ ساله کیفیت هوای اصفهان پرداخته شد. آنچه با بررسی دقیق مجموعه داده سپرده شده متوجه شدم، عدم وحدت رویه در اندازه‌گیری شاخص‌ها بود. جابجایی ایستگاه‌ها، غیرفعال بودن هر ایستگاه برای مدت‌های طولانی و غیرهمگون در کنار خطاهای اندازه‌گیری از جمله چالش‌های تحلیل این مجموعه داده بود. باتوجه به محورهای کلیدی تعریف شده و کمبود وقت، از ورود به سایر حوزه‌های تحقیق، منصرف شدم. بدین ترتیب، سعی کردم با بکارگیری روش‌های مناسب، چالش‌های پنهان در مجموعه داده را برطرف نمایم. برای این منظور، غلظت‌های آلاینده با مقادیر منفی از مجموعه حذف شدند. باتوجه به خارج بودن برخی از مقادیر از دامنه علمیشان، تکنیک Z-Score به کار گرفته شد تا مقادیر پَرت حذف گشته و با نزدیک‌ترین مشاهده‌ی معتبر، جایگزین شوند. از آنجایی که برای ساخت مدل‌های پیش‌بین و افزایش دقت مدل به رفع مشکل داده‌های گمشده نیاز بود، روش درون‌یابی مبتنی بر زمان (Time-Based Interpolation) جهت پر کردن داده‌های گمشده استفاده شد. برای داده‌های کیفی نظیر «جهت باد» که تعداد null کمی در اختیار داشت نیز از روش Forward-Backward filling به منظور مدل‌سازی هرچه دقیق‌تر استفاده شد.

در پایان، امید است ضمن تسهیل شرایط برای استفاده از حمل و نقل عمومی، نظارت دقیق‌تر بر فعالیت صنایع آلوده‌کننده و بهینه‌سازی سیستم ترافیک شهری، توجه ویژه‌ای بر ابزارهای سنجش و پایش کیفیت هوا شود.