other مدل سازی روابط بین تغییرات مکانی- زمانی حجم ترافیک و غلظت آلاینده ی PM2.5 بر پایه مدل رگرسیون وزنی جغرافیایی(GWR) و معکوس فاصله وزنی (IDW)، مطالعه موردی: کلانشهر تهران بهداشت عمومی Public Health پژوهشي Research <strong><span style="font-family:B Lotus;">زمینه و هدف:</span></strong> <span style="font-family:B Lotus;">غلظت بالای </span><span dir="LTR"><span style="font-family:Times New Roman,serif;">PM_2.5</span></span><span style="font-family:B Lotus;"> مسبب اکثر روزهای ناسالم هوای تهران طی سال های اخیر بوده است؛</span><span style="font-family:B Lotus;"> به همین منظور مطالعه حاضر با هدف تحلیل فضایی- زمانی حجم ترافیک و ارتباط آن با غلظت آلاینده ی </span><span dir="LTR"><span style="font-family:Times New Roman,serif;">PM_2.5</span></span><span style="font-family:B Lotus;"> در کلانشهر تهران طی سال های 1397-1394 با استفاده از سیستم اطلاعات جغرافیایی </span><span dir="LTR">(</span><span dir="LTR"><span style="font-family:Times New Roman,serif;">GIS)</span></span><span style="font-family:B Lotus;"> انجام</span><span style="font-family:B Lotus;"> شد.</span><span style="font-family:B Lotus;"></span><br> <strong><span style="font-family:B Lotus;">روش کار:</span></strong><span style="font-family:B Lotus;"> در این مطالعه از مدل درون یابی معکوس فاصله وزنی</span><span dir="LTR"><span style="font-family:Times New Roman,serif;">(IDW)</span></span> <span dir="LTR"><span style="font-family:Times New Roman,serif;">Inverse Distance Weighting</span></span><span style="font-family:B Lotus;"> برای پیش بینی و پهنه بندی غلظت آلاینده ی </span><span dir="LTR"><span style="font-family:Times New Roman,serif;">PM_2.5</span></span><span style="font-family:B Lotus;"> و حجم ترافیک استفاده شد. همچنین از مدل رگرسیون وزنی جغرافیایی</span><span dir="LTR"><span style="font-family:Times New Roman,serif;">Geo</span></span><span dir="LTR"><span style="font-family:Times New Roman,serif;"><span style="font-size:10.0pt;">gra</span></span></span><span dir="LTR"><span style="font-family:Times New Roman,serif;">phically</span></span> <span dir="LTR"><span style="font-family:Times New Roman,serif;">Weighted</span></span> <span dir="LTR"><span style="font-family:Times New Roman,serif;">Re</span></span><span dir="LTR"><span style="font-family:Times New Roman,serif;"><span style="font-size:10.0pt;">gre</span></span></span><span dir="LTR"><span style="font-family:Times New Roman,serif;">ssion (GWR)</span></span><span style="font-family:B Lotus;"> برای میزان ارتباط غلظت آلاینده </span><span dir="LTR"><span style="font-family:Times New Roman,serif;">PM_2.5</span></span><span style="font-family:B Lotus;"> و حجم ترافیک در نواحی مختلف کلانشهر تهران</span><span style="font-family:B Lotus;"> طی چهار سال متوالی</span> <span style="font-family:B Lotus;">(1394-1397) </span><span style="font-family:B Lotus;">استفاده شده است.</span><br> <strong><span style="font-family:B Lotus;">نتایج:</span></strong> <span style="font-family:B Lotus;">نتایج حاصل از پهنه بندی غلظت آلاینده </span><span dir="LTR"><span style="font-family:Times New Roman,serif;">PM_2.5</span></span><span style="font-family:B Lotus;"> و حجم ترافیک نشان داد که نواحی جنوب و جنوب غرب بیشترین غلظت آلاینده </span><span dir="LTR"><span style="font-family:Times New Roman,serif;">PM_2.5</span></span><span style="font-family:B Lotus;"> (میانگین سالانه بیش از </span><span dir="LTR"><span style="font-family:Times New Roman,serif;">&mu;g/m³</span></span><span style="font-family:B Lotus;"> 40) و نواحی شرقی و شمالی بیشترین حجم ترافیک را داشته اند؛ همچنین بیشترین مقادیر</span> <span dir="LTR"><span style="font-family:Times New Roman,serif;">R²</span></span><span style="font-family:B Lotus;"> محلی از مدل</span><span dir="LTR"><span style="font-family:Times New Roman,serif;">GWR</span></span> <span style="font-family:B Lotus;">&nbsp;برای نواحی شرقی (بین 36/0 تا 70/0) به دست آمد. </span><span style="font-family:B Lotus;"></span><br> <strong><span style="font-family:B Lotus;">نتیجه گیری:</span></strong><span style="font-family:B Lotus;"> در بیشتر مناطق تهران نمی توان ارتباط قوی بین غلظت بالای آلاینده </span><span dir="LTR"><span style="font-family:Times New Roman,serif;">PM_2.5</span></span><span style="font-family:B Lotus;"> و ترافیک یافت. با این وجود، مطالعه حاضر ارتباط ترافیک و غلظت آلاینده </span><span dir="LTR"><span style="font-family:Times New Roman,serif;">PM_2.5</span></span><span style="font-family:B Lotus;"> را رد نمی کند بلکه علت اصلی غلظت بالای </span><span dir="LTR"><span style="font-family:Times New Roman,serif;">PM_2.5</span></span><span style="font-family:B Lotus;"> را منابع دیگری می داند که در گام اول، باید شناسایی شوند؛ در گام بعدی برای رسیدن به هوایی پاک تر، به استراتژی های کنترل و کاهش حجم ترافیک پرداخته شود. </span> <strong>Background and Aim: </strong>High concentrations of particulate matter-25 (PM_2.5) have been the cause of the unhealthiest days in Tehran, Iran in recent years. This study was conducted with the aim of the spatio-temporal analysis of traffic volume and its relationship with PM_2.5 pollutant concentrations in Tehran metropolis, Tehran during 2015-2018, using the Geographic Information System (GIS).<br> <strong>Materials and Methods: </strong>In this study in different regions of Tehran, the Inverse Distance Weighting (IDW) model was used for prediction and zoning of the PM_2.5concentrations and traffic volume during the period 2015-2018. In addition, the association between the PM_2.5concentrations and traffic volume was determined based on the Geographically Weighted Regression (GWR) model.<br> <strong>Results: </strong>The findings showed that the southern and southwestern regions of Tehran had the highest PM_2.5 pollutant concentration (annual average more than 40 &mu;g/m³), while the eastern and northern regions had the highest traffic volume. In addition, based on the GWR model, the eastern regions were found to have the highest local R² values (between 0.36 and 0.70).<br> <strong>Conclusion: </strong>In most regions of Tehran, no strong association can be found between high concentrations of PM_2.5and traffic volume. However, based on the findings of this study we cannot reject the relationship between traffic volume and PM_2.5 pollutant but postulate other sources to be the main reason for the high concentrations of PM_2.5. Thus, in the first step, these sources should be identified, followed by adopting strategies for traffic volume control and reduction aiming at having a cleaner air in Tehran. آلاینده PM2.5, سیستم اطلاعات جغرافیایی, مدل سازی فضایی- زمانی, ترافیک, درون یابی معکوس فاصله وزنی, رگرسیون وزنی جغرافیایی, تهران, ایران PM2.5 Pollutant, GIS, Spatio-Temporal Modeling, Traffic, Inverse Distance Weighting (IDW), Geographically Weighted Regression (GWR), Tehran, Iran 21 34 http://sjsph.tums.ac.ir/browse.php?a_code=A-10-1-151&slc_lang=other&sid=1 Saeed Motesadi Zarandi سعید متصدی زرندی No Rasul Nasiri رسول نصیری nasirirasul@gmail.com Yes Mohammad Esmaeil Motlagh محمد اسماعیل مطلق No