Investigating the Effects of Land Changes on some Pollutants in the Mahshahr Industrial Zone using Remote Sensing and Analysis of Variance (ANOVA) Images

Document Type : Research Paper

Authors

1 MA Student of Environment Sciences, Department of Natural Resources, Isfahan University of Technology, Isfahan, Iran

2 Assistant Professor of Environment Sciences, Department of Natural Resources, Isfahan University of Technology, Isfahan, Iran

3 PhD Candidate of Environment Sciences, Department of Natural Resources, Isfahan University of Technology, Isfahan, Iran

Abstract

 
Abstract
Air pollution is known as one of the most important environmental problems in cities, especially in industrial cities, which causes various cardiovascular diseases and many deaths every year. Assessing the trend of spatial variations in the distribution of air pollution in areas with heavy industry is essential for the sustainable development of these areas. Considering the importance of Mahshahr County as the largest industrial hub of the country, the present study examines the concentrations of NO2, SO2, O3, and PM10 pollutants in different areas of Mahshahr industrial area, mapping and examining them in relation to different uses. In this study, Sentile 2 satellite images and ENVI 5.3 software and the supervised maximum probability classification method were used to classify land use. Also, using the KRIGING interpolation method and air quality monitoring station information, the concentrations of the mentioned pollutants were seasonally zoned in the region. Analysis of variance (ANOVA) was used to investigate the differences between the concentrations of pollutants in the land uses in different seasons of the year. The results of the study showed that the highest risk use was industrial use and the lowest risk use was agricultural use. Also, the lowest concentration of studied pollutants was related to the Sarbandar station. The results of ANOVA also showed that among the different seasons of 2019-2020, autumn and winter have the most significant differences. The results of this study can help identify air pollution and its relationship with land use changes, as well as control and reduce the concentration of pollutants in the study area.
 
Introduction
Air pollution is one of the major environmental and economic problems worldwide, and it is becoming more acute in industrial areas. The World Health Organization (WHO) and the International Agency for Research on Cancer (IARC) have identified air pollution as a carcinogen for humans, and about 90% of people around the world breathe in polluted and toxic air every day. Awareness of the effects of different concentrations of air pollutants on the use of industrial areas is one of the basic requirements in land planning and management and sustainable development. Currently, the use of remote sensing is the best method for preparing land use maps. Given the importance of the impact of pollutants released into the atmosphere and land use, especially in industrial areas, there is a need for accurate and effective cognition in this field and researchers seek to understand the relationship between the spatial distribution of air pollutants and its relationship with land use. The present study aims at investigating the concentrations of O3, PM10, NO2, and SO2 pollutants in the industrial area of Mahshahr city and evaluating the trend of air pollution in relation to spatial and temporal changes and its possible relationship with land use.
 
Methodology
In the present study, satellite images of Sentile 2 and ENVI 5.3 software and a supervised maximum probability classification method have been used to classify land use. Also, using the KRIGING interpolation method and air quality monitoring station information, the concentrations of these pollutants were seasonally zoned in the region and analyzed by variance analysis (ANOVA). They were used to investigate the differences between the concentrations of pollutants in land uses in different seasons of the year.
 
Discussion
The results of the average concentration of pollutants studied in different seasons of the mentioned years show that the highest concentration of studied pollutants in different seasons of the mentioned years is related to the industrial area (stations 1, 2, 3, 4, and 5 in the region. The lowest concentration of the mentioned pollutants is related to the Sarbandar residential area (station 7). Also, the Mahshahr residential area (station 6) due to being closer to the Mahshahr special economic zone, has a higher concentration of studied pollutants than the Sarbandar area. Estuaries barren areas 1 and 2, in autumn and winter, have the highest concentration of pollution. The results also showed that the highest endangered use is industrial use and the lowest endangered use is agricultural use.
 
Conclusion
In general, it can be concluded that the highest concentration of NO2, SO2, O3, and PM10 pollutants is related to the Mahshahr Special Economic Zone station and the lowest concentration of these pollutants is related to the Sarbandar station. Mahshahr Economic Special Zone, due to the existence of several petrochemical industries located in this place and the high production and spread of these pollutants in the atmosphere, also affects other parts of the study area. Among the land uses used in this study, estuaries have higher concentrations of pollutants due to their proximity to Mahshahr Special Economic Zone and being more affected by this area with petrochemical industries. With the distance from these areas, the impact of land uses on pollutants is less and the least impact of pollutants on agricultural land use is less. Also, the results of the analysis of variance show that there is no significant difference between the concentrations of pollutants in different land use classes. The results of this study can help health authorities to identify the most polluted areas, the impact of air pollution on land use and the health of people in the area, as well as the extent of land use changes in the area. The study also helps policymakers in designing and implementing action plans to reduce concentrations of NO2, SO2, O3, and PM10 pollutants.
 
Keywords: Land Use, Air Pollution, Analysis of Variance, Remote Sensing, Maximum Probability, Mahshahr County.
 
References
- Abbasspour, M., Javid, A., & Saeidi, S. (2014). The Impact of Urban Parks on PM10 Suspended Particles, Through Using GIS Software. Journal of Environmental Science and Technology, 16(1), 1-12.
- Akbari, E., Zangane Asadi, M. A., & Taghavi, E. (2016). Change detection land use and land cover regional neyshabour using Different methods of statistical training theory. Journal of Geographical Planning of Space, 6(20), 35-50.
- Albanese, S., De Vivo, B., Lima, A., Frattasio, G., Kříbek, B., Nyambe, I. & Majer, V. (2014). Prioritizing environmental risk at the regional scale by a GIS aided technique. Journal of Geochemical Exploration, 144, 332-344.
- Atai, H., & Hashemi Nasab, S. (2011). Identification and analysis of atmospheric mid-level patterns affecting air pollution in Isfahan. Journal of Research and Urban Planning, 2(4), 97-113.
- Borge, R., Narros, A., Artíñano, B., Yagüe, C., Gómez-Moreno, F., & Paz, D. (2016). Assessment of microscale spatiotemporal variation of air pollution at an urban hotspot in Madrid (Spain) through an extensive field campaign. Journal of Atmospheric Environment, 140, 432-445.
- Chiang, T., Yuan, T., Shie, R., Chen, C., & Chan, C. (2016). Increased incidence of allergic rhinitis, bronchitis and asthma, in children living near a petrochemical complex with SO2 pollution. Environment International Journal, 96, 1-7.
- Deligiorgi, D., & Philippopoulos, K. (2018). Spatial interpolation methodologies in urban air pollution modeling. Journal of Advanced Air Pollution, 341, 62-73.
- El Baroudy, A. A. (2016). Mapping and evaluating land suitability using a GIS-based model. Catena, 140, 96-140.
- Fallah Sourki M., Kavian A., & Omidvar E. (2016). Prioritizitzation of Haraz sub-watersheds in order to soil and water conservation practices based on morphometric and land use characteristics. Journal of Science and Technology of Agriculture and Natural Resources, 20(77), 85-99. 
- Fan, F., Weng, Q., & Wang, Y. (2007). Land use land cover change in Guangzhou, China, from 1998 to 2003, based on Landsat TM/ETM+ imagery. Sensors, 7, 1323-1342.
- Guo, L., Yuan, P., Song, Y., Peng, J., & Wang, L. (2011). Case study and environmental risk assessment of the petrochemical industry. In 2011 International Conference on Remote Sensing, Environment and Transportation Engineering (pp. 5783-5786). IEEE.
- Halim, N. D. A., Latif, M. T., Mohamed, A. F., Maulud, K. N. A., Idrus, S., Azhari, A., ... & Sofwan, N. M. (2020). Spatial assessment of land use impact on air quality in mega urban regions, Malaysia. Journal of Sustainable Cities and Society, 63, 102436.
- Han, L., Zhao, J., Gao, Y., Gu, Z., Xin, K., Zhang, J, (2020).  Spatial distribution characteristics of PM2.5 and PM10 in Xi’an City predicted by land use regression models. Journal of Sustainable Cities and Society, 61, 1-16.
- Ismailnejad, M., Eskandari Sani, M., & Barzaman, S. (2015). Evaluation and zoning of urban air pollution in Tabriz. Journal of Regional Planning, 5(19), 173-186.
- Jiang, Z., Cheng, H., Zhang, P., & Kang, T. (2021). Influence of urban morphological parameters on the distribution and diffusion of air pollutants: A case study in China. Journal of Environmental Sciences, 105, 163-172.
- Kelishadi, R., Moeini, R., & Poursafa, P. (2014). Independent association between air pollutants and vitamin D deficienty in young children in Isfahan, Iran. Paediatrics and International Child Health, 34(1), 50-55.
- Khan, J., Kakosimos, K., Raaschou, O., Brandt, J., Jensen, S. S., & Ellermann, T. (2019). Development and performance evaluation of new Air GIS–a GIS based air pollution and human exposure modelling system. Journal of Atmospheric Environment, 198, 102-121.
- Khavarian-Garmsir, A. R., & Rezaei, M. R. (2015). Selection of appropriate locations for industrial areas using GIS-fuzzy methods. A case study of Yazd Township, Iran. Journal of Settlements and Spatial Planning, 6(1), 19-25.
- Kongtip, P., Singkaew, P., Yoosook, W., Chantanakul, S., & Sujiratat, D. (2013). Health effects of people living close to a petrochemical industrial estate in Thailand. Journal of the Medical Association of Thailand, 96(5), 64-72.
- Kuo, Y. C., Lu, S. T., Tzeng, G. H., Lin, Y. C., & Huang, Y. S. (2013). Using fuzzy integral approach to enhance site selection assessment a case study of the optoelectronics industry. Procedia Computer Science, 17, 306-313.
- López-Serrano, P., Corral-Rivas, J., Díaz-Varela, R., Álvarez-González, J., & López-Sánchez, C. (2016). Evaluation of radiometric and atmospheric correction algorithms for aboveground forest biomass estimation using landsat 5 TM data. Journal of Remote Sensing, 8(5), 1-19.
- Lue, D., Xu, J., Yue, W., Mao, W., Yang, D., & Wang, J. (2020). Response of PM2.5 pollution to land use in China. Journal of Cleaner Production, 244, 1-25.
- Masroor, K., Yousefi, S., Fanaei, F., & Raeesi, M. (2020). Spatial modelling of PM2.5 concentrations in Tehran using Kriging and inverse distance weighting (IDW) methods. Journal of Air Pollution and Health, 5(1), 1-9.
- Memarbashi, E., Azadi, H., Barati, A.A., Mohajeri, F., Passel, S. V., & Witlox, F. (2017). Land-use suitability in Northeast Iran: application of AHP-GIS hybrid model. ISPRS International Journal of Geo-Information, 6(12), 1-15.
- Metia, S., Ha, P., Duc, H. N., & Scorgie, Y. (2020). Urban air pollution estimation using unscented Kalman filtered inverse modeling with scaled monitoring data. Journal of Sustainable Cities and Society, 54, 97-101.
- Montero, J. M., & Fernández, G. (2018). Functional kriging prediction of atmospheric particulate matter concentrations in Madrid, Spain: Is the new monitoring system masking potential public health problems? Journal of Cleaner Production, 175, 283-293.
- Nadal, M., Cadiach Ricoma, O., Kumar, V., Poblet, P., Mari, M., Schuhmacher, M. & Domingo, J. (2011). Health Risk Map of a Petrochemical Complex through GIS-Fuzzy Integration of Air Pollution Monitoring Data. Human and Ecological Risk Assessment: An International Journal, 17, 873-891.
- Noorpoor, A., & Feiz, S. (2014). Determination of the Spatial and Temporal Variation of SO2, NO2 and Particulate Matter Using GIS Techniques and Estimation of Concentration Modeling with LUR Method. Journal of Environmental Studies, 40(3), 723-738.
- Qiao, P., Lei, M., Yang, S., Yang, J., Guo, G., & Zhou, X. (2018). Comparing ordinary kriging and inverse distance weighting for soil as pollution in Beijing. Journal of Environmental Science and Pollution Research, 25(16), 597-608.
- Sarwar, M. T., & Maqbool, A. (2019). Causes and control measures of urban air pollution in China. Environment and Ecosystem Science (EES), 3(1), 35-36.
- Seifi, M., Yunesian, M., & Nadafee, K. (2021). Exposure to ambient air pollution and socio-economic status on intelligence quotient among schoolchildren in a developing country. Journal of Environmental Science and Pollution Research, 29(1), 1-9.
- Sharifi Sadeh, M., & Ahmadi Nadoushan, M. (2018). Application of a land use regression (LUR) model to the spatial modelling of air pollutants in Esfahan city. Journal of Environmental Sciences, 16(2), 203-216.
- Shi, X., Li, M., Hunter, O., Guetti, B., Andrew A., & Stommel, E. (2019). Estimation of environmental exposure: interpolation, kernel density estimation or snapshotting. Annals of GIS, 25(1), 1-8.
- Tehrani, N. A., Mollalo, A., Farhani, F., & Pahlevanzade, N. (2021). Time-Series Analysis of COVID-19 in Iran: A Remote Sensing Perspective. Journal of Geospatial Information and Community Resilience, 21, 277-290.
- Vahdat Mohammadi, A., & Rahimi, S. (2013). Impact of urban land use pattern on Tehran air quality. Journal of Research and Urban Planning, 4(14), 123-142.
- Vahdat, A., & Alimohammadi, A. (2020). Study of Hourly Variability of Association between Land Use Parameters and CO Pollutants Using LUR Model in Tehran. Iranian Journal of Remote Sensing and GIS, 12(1), 1-18.
- Xu, H., Bechle, M. J., Wang, M., Szpiro, A. A., Vedal, S., & Bai, Y. (2019). National PM2.5 and NO2 exposure models for China based on land use regression, satellite measurements, and universal kriging. Journal of Science of the Total Environment, 655, 423-433.
- Yang, C. Y., Wang, J. D., Chan, C. C., Hwang, J. S., & Chen, P. C. (2021). Respiratory symptoms of primary school children living in a petrochemical polluted area in Taiwan. Pediatr Pulmonol 25, 299-303.
- Yu, H., Russell, A., Mulholland, J., Odman, T., Hu, Y. & Chang, H. (2018). Cross-comparison and evaluation of air pollution field estimation methods. Journal of Atmospheric Environment, 179, 49-60

Keywords

Main Subjects

Full Text

مقدمه

آلودگی هوا یکی از مشکلات بزرگ زیست‌محیطی و اقتصادی در سراسر جهان است و مشکل حادتری در مناطق صنعتی محسوب می‌شود. منابع متنوع آلودگی هوا اعم از متحرک، صنعتی و طبیعی و همچنین تنوع وسیع آلاینده‌های آلی و شیمیایی باعث پیچیدگی هرچه بیشتر این پدیده شده و نحوة مدیریت آلودگی هوا، کنترل و ارزیابی خسارات را دشوارتر از پیش کرده‌است (پیکان‌پور و همکاران، 1400: 26). سازمان بهداشت جهانی (WHO) و آژانس بین‌المللی تحقیقات سرطان (IARC) آلودگی هوا را عاملی سرطان‌زا برای انسان دانسته‌اند و این در حالی است که حدود 90 درصد از مردم جهان هر روز هوای آلوده و سمی تنفس می‌کنند (Yang et al., 2021, p. 15). قرار گرفتن طولانی‌مدت شهروندان در معرض آلودگی هوا خطر ابتلا به بیماری‌های روانی چون استرس، افسردگی، زوال عقلی، دوقطبی و اسکیزوفرنی را افزایش می‌دهد و ازنظر جسمی نیز، عوارضی چون زایمان زودرس، سرطان ریه و بیماری‌های قلبی‌عروقی، تنفسی و مغزی را در پی دارد (Halim et al., 2020, p. 63; Jiang et al., 2021, p. 9).

آگاهی از تأثیر غلظت آلاینده‌های مختلف هوا بر کاربری‌های مناطق صنعتی و عوامل ایجادکنندة آن از الزامات اولیه در برنامه‌ریزی و مدیریت سرزمین و توسعة پایدار است. موقعیت منابع آلاینده‌های مختلف هوا و کاربری اراضی از عوامل تأثیرگذار بر تولید و انتشار این آلاینده‌ها به‌شمار می‌آید. داده‌های ماهواره‌ای برای مطالعة تغییرات پوشش در کوتاه‌ترین زمان، با کمترین هزینه و بیشترین دقت به‌کار می‌رود (Kelishadi et al., 2014, p. 5). در حال حاضر، سنجش از دور بهترین روش تهیة نقشه‌های مربوط به کاربری اراضی است. داده‌های سنجش از دور به‌دلیل داشتن ویژگی‌هایی چون پوشش وسیع، بهنگام بودن، تکراری بودن، توان تفکیک طیفی و رادیومتریک و مکانی زیاد، فرمت رقومی و امکان پردازش رایانه‌ای قابلیت زیادی در بررسی تغییرات زمانی و مکانی کاربری اراضی دارند (Fan et al., 2007, p. 19).

با توجه به اهمیت میزان تأثیر آلاینده‌های منتشرشده در جوّ و کاربری اراضی به‌ویژه در نواحی صنعتی، لازم است شناختی دقیق و مؤثر در این زمینه صورت گیرد و پژوهشگران به‌دنبال درک ارتباط میان توزیع فضایی آلاینده‌های جوّی و ارتباط آن با کاربری‌های مختلف از دیدگاه جغرافیا و برنامه‌ریزی شهری باشند (Sharifi sade, 2018, p. 13).

در ادامه، به بعضی از مطالعات پژوهشگران داخلی و خارجی در این زمینه اشاره می‌شود. مطالعات بسیاری دربارة ارتباط میان کاربری اراضی و آلاینده‌های هوا با استفاده از روش‌های مختلفی چون تصاویر ماهوارة لندست، تکنیک‌های سنجش از دور و مدل رگرسیون کاربری اراضی انجام شده‌است (یوسفی و همکاران، 1390: 8؛ محمداسماعیل، 1389: 81؛ فیضی‌زاده و همکاران، 1386: 10). نتایج نشان داده‌است که صنایع و کارخانه‌های مجاور شهرها نقش بسزایی در آلودگی هوای منطقه دارند و از مهم‌ترین عوامل تأثیرگذار بر سلامت مردم محسوب می‌شوند. همچنین موقعیت توپوگرافی و جغرافیایی شهرها و ترافیک‌های شهری از عوامل مؤثر در پراکنش آلاینده‌هاست (Ismailnejad et al., 2015, p. 13; Vahdat and Alimohammadi, 2020, p. 18; Abbasspour et al., 2014, p. 12).

بسیاری از پژوهش‌ها، مکان‌یابی نامناسب منشأ آلودگی هوا در صنایع و شهرها را عامل ایجاد وضعیت حاد آلودگی هوا می‌دانند (Sarwar and Maqbool, 2019, p. 35; Halim et al., 2020, p. 10)؛ برای نمونه، در دو مطالعه، پژوهشگران (Han et al., 2020, p. 15; Lue et al., 2020, p. 18) دریافتند که نوع استفاده از سرزمین تأثیر بسزایی در میزان آلودگی هوای آن منطقه داشته‌است و نتایج پژوهش آنها نشان داد که توزیع فضایی آلاینده‌های PM2.5 و PM10 ارتباط نزدیکی با محل استقرار مناطق صنعتی تولیدکنندة آلودگی هوا دارد. همچنین در مطالعة دیگری، با هدف چیدمان بهینة کاربری اراضی کشاورزی، صنعتی و شهری و با لحاظ کردن معیار آلودگی هوا، نقشة پراکنش آلاینده‌های PM10 و NOX با کمک نرم‌افزار AERMOD تهیه شد و یافته‌های پژوهش نشان‌دهندة آن بود که دستیابی به توسعة پایدار گذشته از مؤلفه‌های اکولوژیکی، اقتصادی و اجتماعی، نیازمند استفاده از مؤلفة پایدار و پویا ازجمله آلودگی هواست (پیکان‌پور و همکاران، 1400: 26).

برای پهنه‌بندی غلظت آلاینده‌های هوا، روش‌های گوناگونی وجود دارد، ازجمله درون‌یابی وزن‌دهی مجذور عکس فاصله (IDW)، KRIGING و توابع شعاعی پایه. در مطالعات بسیاری، پراکنش آلاینده‌های موجود در جوّ را با استفاده از روش‌های درون‌یابی، به‌ویژه در نواحی صنعتی، مدل‌سازی کرده‌اند که نتایج نشان‌دهندة افزایش بروز بیماری‌های قلبی و ریوی در این نواحی بود (Nadal et al., 2011, p. 19; Albanese et al., 2014, p. 12).

در سال‌های اخیر، از روش‌های درون‌یابی در تعیین میزان پراکنش غلظت آلاینده‌‌های هوا به‌طور گسترده استفاده شده‌است. در مطالعاتی که کیفیت هوای پاییز و زمستان در شهر تهران را با استفاده از روش‌های مختلف درون‌یابی بررسی کردند، بهترین روش برای تهیة نقشه‌های توزیع آلودگی هوا استفاده از روش درون‌یابی KRIGING بوده‌است (Seifi et al., 2021, p. 9; Tehrani et al., 2021, p. 14).

در مطالعه‌ای، از روش درون‌یابی KRIGING برای پیش‌بینی آلودگی هوا در اسپانیا استفاده شد. نتایج این مطالعه نشان داد که این روش برای درون‌یابی و تهیة نقشه‌های آلودگی هوا بسیار دقیق است (Montero et al., 2018, p. 10).

در مطالعة دیگری با عنوان «تعیین تغییرات مکانی و زمانی آلاینده‌های SO2، NO2 و PM10 در شهر تهران» با استفاده از روش‌های درون‌یابی، برای تولید نقشه‌های کیفیت هوای حاصل از آلاینده‌های اشاره‌شده اقدام کردند. نتایج بررسی‌ها نشان داده‌است که مهم‌ترین عامل تأثیرگذار بر تغییرات آلاینده‌ها، حجم ترافیک و اماکن صنعتی است (Noorpoor et al., 2014, p. 15).

در پژوهش دیگری، با مشخص شدن غلظت مواد آلایندة موجود در جوّ و مناطق متأثر از این آلاینده‌ها و مقایسة نقشة GIS تهیه‌شده با نقشة کاربری اراضی منطقه، با توجه به نوع کاربری منطقه، غلظت‌های تخمین زده‌شده تجزیه و تحلیل شدند. پژوهشگران دریافتند که اختلاط این آلاینده‌ها در جوّ و تولید باران موجب ایجاد باران اسیدی روی خاک و تجهیزات و تأسیسات صنعتی مناطق اطراف یک پالایشگاه شده و خسارات زیادی به توسعة صنایع آن منطقه و حتی فضای سبز آنها در مقیاس کم وارد آورده‌است. برمبنای نتایج این پژوهش، با توجه به فاصلة صنایع از سواحل خلیج فارس، آلاینده‌ها تأثیر زیادی بر دریا و آبزیان نخواهد گذاشت (اسماعیل‌زاده و همکاران، 1392: 13).

اهمیت زیاد صنایع پتروشیمی واقع در منطقة ویژة اقتصادی بندر ماهشهر و عواملی مانند همجواری با مناطق مهم و حساس شهری و مسکونی، ازجمله بندر امام خمینی و ماهشهر، و کاربری‌های اطراف این ناحیة صنعتی و احتمال انتقال آلاینده‌های منتشرشده از منطقة ویژة اقتصادی ماهشهر به کاربری‌های منطقة مطالعه‌شده، لزوم توجه به مشکل کیفیت هوای این منطقه را بیش از پیش مشخص می‌سازد. پژوهش حاضر اهدافی چون بررسی غلظت آلاینده‌های NO2، SO2، O3 و PM10 در منطقة صنعتی شهرستان ماهشهر و ارزیابی روند آلودگی هوا در ارتباط با تغییرات مکانی و زمانی و رابطة احتمالی آن با نوع کاربری اراضی را دنبال می‌کند.

منطقة مطالعه‌شده

شهرستان ماهشهر یکی از صنعتی‌ترین شهرستان‌های استان خوزستان به‌شمار می‌رود و شامل شهرهای ماهشهر و سربندر است. این شهرستان ازلحاظ جغرافیایی بین 48 درجه و 54 دقیقه تا 50 درجه و 12 دقیقه طول شرقی از نصف‌النهار گرینویچ و 30 درجه و 1 دقیقه تا 31 درجه و 3 دقیقه عرض شمالی از خط استوا قرار دارد. این منطقه جمعیتی برابر با 278037 نفر دارد (سرخیل و همکاران، 1397: 16). حداکثر بارندگی‌های ماهانة منطقه در بهمن‌ماه و به میزان 75 میلی‌متر، و میانگین بارندگی‌های سالانة منطقه برابر با 181 میلی‌متر است. ماه‌های خشک این منطقه خرداد تا شهریور است (محمدی و رباطی، 1388: 21).

شهرستان ماهشهر ازنظر تعداد صنعت در جایگاه پنجم کشور قرار دارد و 95/3 درصد از صنایع استان خوزستان را شامل می‌شود. کمیت صنایع این منطقه مانند پتروشیمی و غذایی، این شهرستان را به یکی از قطب‌های صنعتی کشور بدل کرده، اما ازنظر جنبه‌های محیط‌زیستی، آن را در موقعیتی بسیار آلوده قرار داده‌است (ملماسی و همکاران، 1389: 8). منطقة ویژة اقتصادی ماهشهر در محدوده‌ای به وسعت 2850 هکتار در جنوب غربی ایران و ساحل خلیج فارس واقع در شهرستان ماهشهر، بخش بندر امام خمینی (ره) قرار گرفته‌است. در حال حاضر، 21 مجتمع تولیدی با ظرفیت 26 میلیون تن محصول پتروشیمیایی در این منطقه طراحی و احداث شده‌است. واحدهای صنعتی شامل واحدهای شیمیایی، پتروشیمی، فلزی، کانی غیرفلزی، غذایی، نساجی و سلولزی هستند که تنوع چشمگیری دارند، اما از سویی، موجب تولید و انتشار آلاینده‌هایی از قبیل SO2، NO2 و O3 می‌شوند (کیالان، 1392: 87). شکل 1 نشان‌دهندة موقعیت جغرافیایی شهرستان ماهشهر در استان خوزستان است.

 

شکل 1- موقعیت شهرستان ماهشهر در استان خوزستان (نویسندگان، 1401)

Figure 1- Location of Mahshahr county in Khuzestan province (Authors, 2022)

روش پژوهش و گردآوری داده‌ها

مراحل انجام کار در این پژوهش در مدل مفهومی شکل 2 آورده شده‌است. پژوهش حاضر کاربردی و ازنظر شیوة گردآوری داده‌ها، توصیفی‌تحلیلی است. برای دستیابی به هدف نهایی پژوهش، ابتدا تصاویر ماهواره‌ای (قدرت تفکیک مکانی 10 متر) از ماهوارة سنتینل 2 با پوشش ابر کمتر از 5 درصد از سامانة گوگل‌ارث انجین و طی بازة زمانی 1398-1399 به‌صورت تصحیح‌شده دریافت، و همچنین از باندهای 2، 3 و 8 برای وضوح بصری و تهیة تصویر رنگی کاذب استفاده شد. در ادامه، برای طبقه‌بندی تصاویر، از طبقه‌بندی نظارت‌شدة حداکثر احتمال در نرم‌افزار ENVI5.3 استفاده شد (López-Serrano et al., 2016, p. 19). در مرحلة بعد، داده‌های آلایندگی هشت ایستگاه واقع در شهرستان ماهشهر شامل یک ایستگاه ثابت در ناحیة 1 منطقة ویژة اقتصادی ماهشهر، 5 ایستگاه سیار در نواحی صنایع پتروشیمی بوعلی، تصفیه‌خانة فجر 2، تخت جمشید، ضلع جنوبی فناوران و تندگویان واقع در منطقة ویژة اقتصادی ماهشهر، یک ایستگاه ثابت واقع در شهرداری بندر امام خمینی و یک ایستگاه ثابت واقع در ادارة محیط‌زیست شهر ماهشهر بررسی شده‌است.

بررسی منابع

بازدید میدانی از منطقه

جمع‌آوری و آماده‌سازی داده‌های موردنیاز

 

تهیة نقشة کاربری اراضی محدودة مطالعه‌شده در شهرستان ماهشهر

به روش طبقه‌بندی نظارت‌شدة MAX LIKEHOOLD در نرم‌افزار ENVI 5.3

 

پهنه‌بندی منابع خطر (غلظت آلاینده‌های مطالعه‌شده) در فصول مختلف سال‌های 1398‑1399 به روش درون‌یابی KRIGING

روی‌هم‌گذاری نقشه‌های پهنه‌بندی‌شدة منابع خطر روی نقشة طبقه‌بندی‌شدة منطقه در نرم‌افزار ARC GIS 10.8

مقایسة غلظت فصول مختلف سال و کاربری اراضی (بررسی معنا‌دار و غیرمعنادار بودن کاربری‌ها و آلاینده‌ها در فصول مختلف سال) به روش آنالیز ANOVA

استفاده از RMSE و ME برای مقایسه و کنترل دقت

روش‌های درون‌یابی KRIGING و IDW

 

 

غلظت آلاینده‌های هوای منطقه

طی بازة زمانی 1398‑1399

 

تهیة تصاویر ماهواره‌ای از ماهوارة سنتینل 2 از گوگل‌ارث انجین

 

شکل 2- مدل مفهومی کلی روش پژوهش (نویسندگان، 1401)

Figure 2- Conceptual Model of the Method (Authors, 2022)

تهیة نقشة آلاینده‌های هوا و پهنه‌بندی منطقه

پارامترهای آلایندة بررسی‌شده در این پژوهش NO2، SO2، O3 و PM10 هستند که با استفاده از مدل درون‌یابی KRIGING در نرم‌افزار ARCGIS 10.8 در سطح شهرستان ماهشهر پهنه‌بندی شدند. برای مقایسه و کنترل دقت روش‌های درون‌یابی، از ریشة میانگین مربع خطا (RMSE) و میانگین خطا (ME) استفاده شد. ME معیاری از صحت مدل و مقدار صفر آن نشان‌دهندة صحت صددرصد است. هرقدر مقدار آن از صفر فاصله داشته باشد، حاکی از کم شدن صحت مدل است. RMSE معیاری از صحت تخمین است و هر اندازه RMSE یک متغیر کوچک‌تر باشد، صحت آن بیشتر خواهد بود. در زیر، فرمول‌های مربوط به ME و RMSE مشاهده می‌شود که در آنها،  Z(xi)مقدار برآوردشدة شاخص مخروطی، xi(Z) مقدار اندازه‌گیری‌شدة متغیر شاخص مخروط وn  تعداد داده‌هاست (Seifi et al., 2021, p. 9). 

(1)

 

 

(2)

 

 

روش KRIGING، یک روش تخمین زمین‌شناسی و درون‌یابی است که می‌تواند برآورد خطی و واریانس را در مکان نامعلوم ارائه دهد (Yu et al., 2018, p. 9). این روش زمین‌آماری براساس میانگین موزون متحرک است و می‌تواند به‌صورت زیر بیان شود:

(3)

 

 

در جایی که Z مقدار تخمینی است، λi وزن نمونۀ i است و Z (Si) مقدار متغیر اندازه‌گیری‌شده است. این نوع کریجینگ را «کریجینگ خطی» می‌نامند. زیرا n عدد داده وجود دارد که شرط استفاده از آنها با ترکیب خطی توزیع نرمال مطابقت دارد؛ در غیر این صورت یا باید از کریجینگ غیرخطی استفاده شود یا متغیرها به‌طور معمول توزیع شوند (Xu et al., 2019, p. 10; Qiao et al., 2018, p. 9). در زیر، اشکال مختلف KRIGING در ARCGIS به‌صورت شماتیک آورده شده‌است.

 

 

 

 

 

شکل 3- نحوة عملکرد انواع KRIGING در نرم‌افزار ARCGIS (طالبی‌فرد و همکاران، 1400: 16)

Figure 3- Performance of KRIGING types in ARCGIS software (Talebifard et al., 2021, p. 16)

 

تهیة نقشة کاربری اراضی

طبقه‌بندی پیکسل‌های برداشت‌شده از سنجندة ماهوارة سنتینل 2 به کمک روش نظارت‌شدة حداکثر احتمال گزینة مناسبی برای مطالعات و بررسی کاربری اراضی، تغییرات آن در بستر زمان و مدل‌سازی تغییرات محیط‌زیستی است (حمایتی‌نژاد و رجایی، 1392: 16). طبقه‌بندی نظارت‌شده مقداری از داده‌ها را که معمولاً می‌تواند شامل ویژگی‌ها، توصیف‌ها، متغیرها یا اندازه‌گیری‌ها باشد، به‌مثابة نمونة تعلیمی در نظر می‌گیرد و براساس آنها، بقیۀ اطلاعات را در گروه‌های مجزایی قرار می‌دهد (Fan et al., 2007, p. 19). در این مطالعه، هفت کلاس کاربری اراضی به‌مثابة کلاس‌های غالب منطقه در نظر گرفته شده‌است. از هریک از کلاس‌ها، حداقل 150 و حداکثر 200 نمونة تعلیمی برای طبقه‌بندی تصاویر جمع‌آوری شد (Akbari et al., 2016, p. 15). برای افزایش دقت نمونه‌ها، تلاش شده‌است که نمونه‌های انتخابی از مناطق با شیب و ارتفاع متفاوت جمع‌آوری شود (یوسفی و همکاران، 1390: 13). در این روش، احتمال تعلق یک پیکسل مشخص به یک کلاس مدنظر براساس معادلة زیر محاسبه می‌شود:

(4)

 

gi(x)=ln p(wi)-1/2ln |Σi|-1/2(x-mi)TΣ xi-1(x-mi)

 

 

در رابطة بالا، i نشان‌دهندة هر کلاس کاربری و x دادة n بعدی (تعداد باندها) است،p(wi)  احتمال اینکه wi در تصویر وجود داشته باشد را محاسبه می‌کند که فرض می‌شود مقدار آن در تمامی کلاس‌ها یکسان است،|Σi|  دترمینان ماتریس کوواریانس داده‌ها در کلاس wi، Σi ماتریس معکوس آن و mi بردار میانگین است. هزینه‌بر بودن عملیات‌های میدانی باعث می‌شود که داده‌های سنجش از دور با اقبال بسیار زیادی همراه باشد و در زمینه‌های مختلف به‌کار رود. این نرم‌افزار با توجه به قابلیت زیاد و به‌روز بودن آن، در این زمینه می‌تواند بسیار مفید واقع شود (Fan et al., 2007, p. 19). برای ارزیابی صحت نتایج طبقه‌بندی‌شده، نقشة تولیدی با نقشة واقعیت زمینی از طریق GOOGLE EARTH بررسی شد. همچنین برای مشخص کردن صحت طبقه‌بندی از تحلیل واریانس (ANOVA) استفاده شد. GOOGLE EARTH ENGING از انواع داده‌های ماهواره‌ای پرکاربرد امروزی که به‌صورت رایگان عرضه می‌شود، پشتیبانی می‌کند. برای نمونه، تمامی تصاویر ماهواره‌ای لندست، سنتینل، استر و مادیس در این سامانه قابل استفاده و پردازش است. همچنین به پژوهشگران و کاربران اجازه می‌دهد به‌طور هم‌زمان، داده‌های جغرافیایی سری زمانی را به روشی ساده و سریع پردازش و تجزیه و تحلیل کنند (Tehrani et al., 2021, p. 14).

 

تحلیل واریانس (ANOVA)

ANOVA مجموعه‌ای از مدل‌های آماری است که میانگین در گروه‌ها و توابع وابسته به آنها (مثل واریانس در یک گروه یا بین چند گروه) را بررسی می‌کند. در این روش، واریانس به‌دست آمده از یک متغیر تصادفی به اجزای کوچک‌تری که منابع واریانس هستند، تقسیم می‌شود. در ساده‌ترین شکل آن، ANOVA آزمونی آماری را فراهم می‌کند که برابری ‌میانگین‌‌های گروه‌های متفاوت را می‌آزماید، ولی گروه‌هایی را که با هم تفاوت داشته‌اند مشخص نمی‌کند. بنابراین برای پی بردن به گروه‌های متفاوت از آزمون توکی استفاده شد. در این آزمون، تمام اختلاف‌میانگین‌ها بدون توجه به مقدار میانگین‌های مورد مقایسه با یک مقدار ثابت مقایسه می‌شوند و دو میانگینی با هم تفاوت معنا‌دار دارند که میزان اختلافشان بیشتر از میزان ثابت محاسبه‌شده شود. متغیر پاسخ باید از نوع کمّی و با مقیاس فاصله‌‌ای یا نسبی اندازه‌گیری‌شده، و متغیر مستقل باید از نوع کیفی، شامل حداقل دو سطح یا دو نوع مقدار، باشد. توزیع داده‌های متغیر کمّی در هر سطح از متغیر کیفی (گروه یا تیمارها) باید نرمال باشد. میان متغیر‌‌ها باید همگنی وجود داشته باشد که این همگنی با آزمون‌‌هایی مانند F هارتلی و آزمون لون قابل سنجش است (انتخاب یک نمونه به انتخاب‌های دیگر وابسته نباشد) (رضایی و همکاران، 1391: 11).

اهداف ANOVA شامل آزمون تفاوت آماری میانگین یک متغیر پیوسته در بین دو گروه یا بیشتر، آزمون تفاوت آماری میانگین یک متغیر پیوسته در دو یا چند بازۀ زمانی و آزمون تفاوت آماری میانگین یک متغیر پیوسته در بین دو یا چند تیمار است (جوان‌بخت امیری و خاتمی، 1384: 13).

 

یافته‌های پژوهش

جدول 1- مقایسة روش‌های KRIGING و IDW (نویسندگان، 1401)

Table 1- Comparison between KRIGING and IDW methods (Authors, 2022)

استاندارد ME

استاندارد RMSE

ME

RMSE

روش‌های درون‌یابی

-

-

67/0

27/7

IDW

24/3

98/0

23/1

48/0

KRIGING

جدول 2- میانگین غلظت فصول مختلف آلاینده‌های NO2، SO2،O3 و PM10 طی سال‌های 1398‑1399 (نویسندگان، 1401)

Table 2- Average concentration of different seasons of NO2, SO2, O3 and PM10 pollutants during 2019‑2020 (Authors, 2022)

O3 (ppb)

SO2 (ppb)

NO2 (ppb)

PM10 (mg/m3)

ایستگاه

53/19

59/3

3/18

35

ثابت- بهار

26/18

56/3

93/9

16/26

ثابت منطقة ویژه- تابستان

6/41

2/4

6/15

76/36

ثابت منطقة ویژه- پاییز

26/78

53/4

42/21

8/62

ثابت منطقة ویژه- زمستان

89/22

52/3

9/14

6/66

متحرک منطقة ویژه 1- بهار

29/18

4/4

9/8

1/27

متحرک منطقة ویژه 1- تابستان

51/51

15/5

8/5

65/39

متحرک منطقة ویژه 1- پاییز

19/88

57/5

5/15

45/63

متحرک منطقة ویژه 1- زمستان

54/35

63/3

9/12

21/33

متحرک منطقة ویژه 2- بهار

45/26

8/4

5/9

35/27

متحرک منطقة ویژه 2- تابستان

15/42

8/5

6/6

14/63

متحرک منطقة ویژه 2- پاییز

81/74

1/7

7/10

55/147

متحرک منطقة ویژه 2- زمستان

3/93

5/7

3/15

6/66

متحرک منطقة ویژه 3- بهار

16/54

6/7

1/9

98/27

متحرک منطقة ویژه 3- تابستان

19/48

6/7

2/10

15/41

متحرک منطقة ویژه 3- پاییز

15/87

8/7

5/14

11/148

متحرک منطقة ویژه 3- زمستان

45/99

9/7

2/17

15/68

متحرک منطقة ویژه 4- بهار

36/95

9/7

56/16

16/54

متحرک منطقة ویژه 4- تابستان

74/56

5/9

6/12

15/68

متحرک منطقة ویژه 4- پاییز

75/94

1/10

1/17

54/149

متحرک منطقة ویژه 4- زمستان

78/99

6/15

5/38

19/68

متحرک منطقة ویژه 5- بهار

8/92

5/15

5/36

7/29

متحرک منطقة ویژه 5- تابستان

73/86

9/19

6/27

20/50

متحرک منطقة ویژه 5- پاییز

5/95

8/22

8/25

21/155

متحرک منطقة ویژه 5- زمستان

54/18

24/2

76/6

28/123

سربندر- بهار

46/17

32/2

82/5

98/129

سربندر- تابستان

87/23

54/5

67/11

54/119

سربندر- پاییز

5/33

37/5

21/9

98/111

سربندر- زمستان

57/24

83/4

6/5

92/117

ماهشهر- بهار

67/22

1/6

85/15

95/115

ماهشهر- تابستان

15/45

24/5

59/8

18/120

ماهشهر- پاییز

69/55

2/6

6/71

11/114

ماهشهر- زمستان

 

 

شکل 4- پهنه‌بندی میانگین غلظت فصول مختلف سال شهرستان ماهشهر

با استفاده از روش KRIGING طی بازة زمانی 1398‑1399 (نویسندگان، 1401)

Figure 4- Zoning the average concentration of different seasons in Mahshahr county using KRIGING method during the period 2019‑2020 (Authors, 2022)

نتایج نقشة طبقه‌بندی‌شدة کاربری اراضی منطقة مدنظر که به روش حداکثر احتمال در نرم‌افزار ENVI 5.3 تهیه شده‌است، نشان می‌دهد که میزان آلاینده‌های مدنظر در کاربری‌های منطقه شامل هفت طبقۀ کاربری اراضی، مناطق مسکونی، ناحیة صنعتی، خورها، مناطق بایر 1 و 2 (شامل زمین‌های بدون استفاده و شوره‌زار که به‌دلیل بازتاب‌های بسیار زیاد و به‌منظور افزایش صحت طبقه‌بندی، این قسمت به دو زیرطبقة بایر 1 و 2 تقسیم می‌شود)، پوشش گیاهی و زمین‌های کشاورزی است. در فصول پاییز و زمستان، حداکثر غلظت آلایندگی در کاربری‌های یادشده دیده می‌شود. همچنین نتایج مطالعه نشان می‌دهد که ازنظر میزان تأثیرپذیری کاربری‌های منطقة مطالعه‌شده از آلاینده‌های منتشرشده در جوّ، کاربری صنعتی منطقة ویژة اقتصادی ماهشهر بیشترین تأثیرپذیری و کاربری کشاورزی (کشت آبی متناوب و محصولاتی از قبیل گندم، جو، حبوبات، صیفی‌جات و سبزیجات با تناوب آبیاری هفتگی است) کمترین تأثیرپذیری را دارد. شکل زیر نقشة طبقه‌بندی‌شدة کاربری‌های شهرستان ماهشهر به روش حداکثر احتمال در نرم‌افزار ENVI 5.3 را طی بازة زمانی 1399‑1398 نشان می‌دهد.

 

شکل 5- نقشة طبقه‌بندی‌شدة کاربری‌های شهرستان ماهشهر به روش حداکثر احتمال در نرم‌افزار ENVI 5.3

طی بازة زمانی 1398‑1399 (نویسندگان، 1401)

Figure 5- Classified map of Mahshahr county uses by maximum likelihood method in ENVI 5.3 software in the period 2019-2020 (Authors, 2022)

همچنین با اضافه کردن نقشة پهنه‌بندی‌شدة میانگین غلظت آلاینده‌های مدنظر به نقشة طبقه‌بندی‌شدة کاربری اراضی، میانگین غلظت سالیانة آلاینده‌های اشاره‌شده که با FUZZY OVERLAY و تابع AND در ARC GIS 10.8 روی‌هم‌گذاری شده، در سال‌های مدنظر و برای هر طبقه کاربری مشخص‌شده به دست آمد (Nadal et al., 2011: 19; Xu et al., 2019: 19). روی‌هم‌گذاری با منطق AND، به شناسایی مکان‌های بحرانی که تمامی آلاینده‌های بررسی‌شده غلظتی فراتر از استاندارد دارند و درنتیجه مشخص‌کردن فضاهایی با ظرفیت ایجاد آثار سینرژیک آلایندگی کمک می‌کند (Fallah Sourki et al., 2016:14; Kuo et al., 2013: 7). جدول 3 نشان‌دهندة میانگین غلظت سالیانة آلاینده‌های مطالعه‌شده در هفت طبقه کاربری مشخص‌شدة منطقة مطالعه‌شده است.

جدول 3- میانگین غلظت سالیانة روی‌هم‌گذاری‌شده با FUZZY OVERLAY و تابع AND در ARCGIS10.8 آلاینده‌های SO2، NO2، O3 و PM10 در کاربری‌های اراضی شهرستان ماهشهر طی بازة زمانی 1398‑1399 (نویسندگان، 1401)

Table 3- Mean annual concentration of zinc coated with FUZZY OVERLAY and AND function in ARCGIS10.8 SO2, NO2, O3, PM10 pollutants in land uses of Mahshahr county during the period 2019-2020 (Authors, 2022)

میانگین غلظت سالیانة

روی‌هم‌گذاری‌شده

باFUZZY OVERLAY

نوع کاربری

 

مساحت هر کاربری به هکتار

کلاس پوشش اراضی

کد

671/6

زمین‌های کشاورزی

12661

کشاورزی

1

897/6

زمین‌های برهنه و اراضی دارای پوشش گیاهی کمتر از 20 درصد

775

اراضی بایر 1

2

170/7

صنایع پتروشیمی و کارخانه‌ها

2850

صنعت

3

989/6

مناطق آب

591

خور

4

856/6

شوره‌زار

12119

اراضی بایر 2

5

781/6

منازل مسکونی و زمین‌های ساخته‌شدة تجاری، اداری و ...

2713

شهر

6

853/6

چمن‌های سبز شهری، پارک‌های حاشیه‌ای

445

پوشش گیاهی

7

 

ارزیابی رابطة غلظت آلاینده‌ها با کاربری اراضی و فصول مختلف سال

برای برآورد دقت طبقه‌بندی از آزمون تحلیل واریانس (ANOVA) استفاده شد. با توجه به نتایج به‌دست آمده از این آزمون، مشخص شده‌است که میان کاربری‌های مطالعه‌شده رابطة معنا‌داری وجود ندارد و تمامی کاربری‌ها به‌صورت یکسان در معرض آلاینده‌های منتشرشده در جوّ هستند، اما میان فصول مختلف سال طی بازة زمانی 1398‑1399 اختلاف معنا‌داری مشاهده شده‌است. جدول 4 نشان‌دهندة مقایسة ارتباط معنا‌دار آلاینده‌های اشاره‌شده با فصول مختلف سال با روش تحلیل واریانس ANOVA است (اعداد کمتر از 0٫5 با علامت * نشان داده شده‌است که وجود ارتباط معنا‌دار میان فصول مختلف طی سال‌های مدنظر را نشان می‌دهد) (رضایی و همکاران، 1391: 11).

جدول 4- مقایسة میانگین غلظت آلاینده‌های NO2، SO2،O3 و PM10 در فصول مختلف سال‌های 1398‑1399 با روش آماری تحلیل واریانس ANOVA (نویسندگان، 1401)

Table 4- Comparison of average concentrations of NO2, SO2, O3 and PM10 pollutants in different seasons of 2019-2020 by ANOVA analysis of variance (Authors, 2022)

P VALUE (NO2)

P VALUE (SO2)

P VALUE (O3)

PVALUE

(PM10)

مقایسۀ فصول مختلف

1

1

1

1

پاییز 1398‑پاییز 1399

0٫11

0٫29

0٫5

0٫5

پاییز 1398‑بهار 1398

0٫07

0٫06

*0٫02

0٫3

پاییز 1399‑بهار 1398

0٫46

1

0٫4

0٫8

پاییز 1398‑بهار 1399

*0٫04

0٫08

0٫1

0٫6

پاییز 1399‑بهار 1399

1

1

1

1

بهار 1398‑بهار1399

1

1

0٫4

1

پاییز 1398‑تابستان 1398

0٫2

*0٫04

0٫2

1

پاییز 1399‑تابستان 1398

1

1

1

1

بهار 1398‑تابستان 1398

1

1

1

1

بهار 1399‑تابستان 1398

1

1

0٫8

1

پاییز 1398‑تابستان 1399

0٫18

1

0٫4

1

پاییز 1399‑تابستان 1399

1

*0٫01

1

1

بهار 1398‑تابستان 1399

1

0٫1

1

1

بهار 1399‑تابستان 1399

1

0٫8

1

1

تابستان 1398‑تابستان 1399

1

0٫2

1

4/0

پاییز 1398‑زمستان 1398

1

1

1

0٫7

پاییز 1399‑زمستان 1398

*0٫01

3٫8

*0٫01

*0٫03

بهار 1398‑زمستان 1398

*0٫01

*0٫01

*0٫02

*0٫01

بهار 1399‑زمستان 1398

*0٫01

*0٫01

*0٫02

0٫08

تابستان 1398‑زمستان 1398

0٫09

1

0٫06

*0٫01

تابستان 1399‑زمستان 1398

0٫3

*0٫02

0٫08

0٫36

پاییز 1398‑زمستان 1399

1

0٫6

1

0٫54

پاییز 1399‑زمستان 1399

1٫04

5٫6

2٫8

*0٫02

بهار 1398‑زمستان 1399

*0٫01

3٫5

0٫06

0٫06

بهار 1399‑زمستان 1399

*0٫01

0٫05

0٫08

0٫05

تابستان 1398‑زمستان 1399

*0٫01

0٫3

*0٫02

0٫09

تابستان 1399‑زمستان 1399

1

1

1

1

زمستان 1399‑زمستان 1399

با توجه به نتایج مقایسة میانگین غلظت فصول مختلف سال‌های مدنظر با آزمون ANOVA مشخص شده‌است که آلاینده‌های NO2 و O3 در فصول بهار 1398 و پاییز 1399، تابستان 1399 و زمستان 1398، بهار 1399 و تابستان 1398 و بهار 1399 و زمستان 1399 اختلاف معنادار دارند. آلایندة SO2 در فصول پاییز 1398 و زمستان 1399، بهار 1399 و تابستان 1398، بهار 1399 و زمستان 1399 و تابستان 1398 و زمستان 1399، و همچنین آلایندة PM10 در فصول بهار 1398 و زمستان 1399 و تابستان 1399 و زمستان 1399 اختلاف معنادار دارند. همچنین به‌طورکلی می‌توان گفت که میان فصول مختلف سال در سال‌های مطالعه‌شده، فصول پاییز و زمستان در سال‌های 1398‑1399 بیشترین اختلاف معنا‌دار را دارند.

 

نتیجه‌گیری

آلودگی هوا یک مشکل محیط‌زیستی جهانی است که بسیاری از شهرهای جهان را تحت تأثیر قرار داده‌است. آلودگی در مناطق صنعتی و ساحلی از منابع مختلفی چون حمل‌ونقل بنادر، کشتیرانی، تجهیزات بارگیری و تخلیة بار و دیگر منابع ساکن و متحرک وارد جوّ می‌شود و بر سلامت مردم و کاربری اراضی اطراف تأثیر می‌گذارد (اشرفی و همکاران، 1391: 11). الگوهای پوشش زمین و کاربری اراضی در طول زمان دگرگونی اساسی می‌یابند و عوامل انسانی می‌تواند بیشترین نقش را در این زمینه داشته باشد (رسولی، 1387: 9). از عوامل دیگری که بر کاربری‌های زمین تأثیر می‌گذارد، صنایع و کارخانه‌ها و همچنین افزایش جمعیت و مساحت اراضی مسکونی (به‌ویژه در مناطق صنعتی که به‌دلیل انتقال اشتغال، جاذب جمعیت هستند) است.

شهرستان ماهشهر یکی از قطب‌های صنعتی کشور محسوب می‌شود که آلاینده‌های صنعتی آن بر سلامت ساکنان مجاور و کاربری‌های اطراف بسیار تأثیرگذار است (کیالان، 1392: 87). بر این اساس، مطالعة حاضر با هدف بررسی غلظت آلاینده‌های PM10، O3، SO2 و NO2 در مناطق مختلف شهرستان ماهشهر و تأثیر میزان غلظت آلاینده‌های یادشده بر کاربری اراضی منطقة مطالعه‌شده انجام شد. برای بررسی معنا‌دار بودن و نبودن نتایج، از آزمون تحلیل واریانس ANOVA استفاده شد.

نتایج مقایسه و کنترل دقت روش‌های درون‌یابی از ریشة میانگین مربع خطا (RMSE) و میانگین خطا (ME) نشان‌دهندة آن بود که KRIGING بهترین روش برای برآورد غلظت آلاینده‌های NO2، SO2، O3 و PM10 است (Seifi et al., 2021, p. 9; Shi et al., 2019, p. 7; Masroor et al., 2020, p. 9; Metia et al., 2020, p. 4). به‌طورکلی می‌توان نتیجه گرفت که بیشترین غلظت آلاینده‌های O3، PM10، NO2 و SO2 به ایستگاه منطقة ویژة اقتصادی ماهشهر و کمترین غلظت آلاینده‌ها به ایستگاه بندر امام خمینی مربوط است. زیاد بودن میزان غلظت آلاینده‌ها در ایستگاه منطقة ویژة اقتصادی ماهشهر به‌دلیل وجود صنایع پتروشیمی متعدد واقع در این مکان و تولید و انتشار زیاد این آلاینده‌ها در جوّ است که بر دیگر نقاط منطقة مدنظر نیز تأثیر می‌گذارد (کیالان 1392: 87؛ اشرفی و همکاران، 1391: 11). ایستگاه مسکونی ماهشهر به‌دلیل نزدیک‌تر بودن منطقة ویژة اقتصادی ماهشهر نسبت‌به بندر امام خمینی، بیشتر تحت تأثیر آلاینده‌ها قرار می‌گیرد و میزان غلظت آلاینده‌های یادشده در این منطقه بیشتر از ایستگاه بندر امام خمینی است. مطالعات متعددی نشان می‌دهد که غلظت آلاینده‌های O3، PM10، NO2 و SO2 در مناطق مسکونی همجوار با صنایع پتروشیمی بسیار بیشتر از سایر مناطق است که این نتیجه با نتیجة پژوهش حاضر همخوانی دارد (Nadal et al., 2011, p. 19; Albanese et al., 2014, p. 12; Kongtip et al., 2013, p. 8). از میان کاربری‌های استفاده‌شده در این پژوهش، صنایع پتروشیمی بیشترین غلظت آلاینده‌های منتشرشده در جوّ را دارند و خورهای اطراف آن به‌دلیل مجاورت با صنعت و تحت تأثیر قرار گرفتن از این ناحیة صنعتی، غلظت بیشتری نسبت‌به بقیة کاربری‌ها دارند. با فاصله گرفتن از این نواحی، میزان تأثیرپذیری کاربری‌ها از آلاینده‌ها کمتر می‌شود و کمترین میزان اثر آلاینده‌ها بر کاربری کشاورزی است.

تاکنون پژوهش‌های متعددی دربارة ارزیابی توان و تغییرات کاربری اراضی و ارتباط آن با آلودگی هوا با روش‌های گوناگونی ازجمله GIS، انتگرال فازی و روش‌های گوناگون وزن‌دهی انجام شده‌است و نتایج نشان‌دهندة آن بود که با در نظر گرفتن آلودگی هوا می‌توان به نتایج بهتری برای سنجش میزان تغییرات کاربری اراضی دست یافت (khavarian-garmsir et al., 2015, p. 24; El Baroudy, 2016, p. 103; Memarbashi et al., 2017, p. 12). پژوهشگران در مطالعات خود درزمینة پایش تغییرات کاربری اراضی مریوان به نتایج مشابهی دست یافتند و مشخص شد که روند تغییرات کاربری کشاورزی کاهشی است (یوسفی و همکاران، 1390: 8). همچنین نتایج ANOVA نشان‌دهندة این است که تفاوت معنا‌داری میان غلظت آلاینده‌ها در طبقات مختلف کاربری پوشش اراضی مشاهده نشده‌است. این مورد نشان می‌دهد که شهرهای اطراف نیز به‌طورکلی در معرض غلظت زیاد آلاینده‌های بررسی‌شده‌اند. علت نبود تفاوت میان کاربری‌های مختلف در منطقه را می‌توان به محدودة کوچک منطقة مطالعاتی نسبت داد که باعث تأثیرپذیری یکسان کاربری‌ها از منطقة صنعتی به‌دلیل فاصلة کم با آن می‌شود. با این حال به‌شکل معناداری فصول پاییز و زمستان بیش از دیگر فصول سال در معرض افزایش غلظت آلاینده‌های مطالعه‌شده‌اند که این امر می‌تواند ناشی از شرایط جوّی، وارونگی هوا و کاهش میزان پراکنش آلاینده‌ها در این فصول باشد (Chiang et al., 2016, p. 7; Borge et al., 2016, p. 13; Deligiorgi et al., 2018, p. 11; Khan et al., 2019, p. 19). در مطالعات مشابه دیگر، تأثیر غلظت زیاد آلاینده‌های هوا در مناطق شهری در فصول مختلف سال بررسی شد و نتایج نشان‌دهندة افزایش میزان غلظت آلاینده‌ها در فصول پاییز و زمستان بود (ملماسی و همکاران، 1389: 12؛ محمدی و رباطی، 1388: 21؛ سرخیل و همکاران، 1397: 16).

نتایج پژوهش حاضر می‌تواند به مسئولان بهداشت در شناسایی آلوده‌ترین مناطق، میزان تأثیر آلودگی هوا بر کاربری اراضی و سلامت افراد منطقه و میزان تغییرات کاربری اراضی منطقه، و همچنین به سیاست‌گذاران در طراحی و اجرای برنامة عملیاتی برای کاهش غلظت آلاینده‌های O3، PM10، NO2 و SO2 کمک کند.

References

منابع
اسماعیل‌‌زاده، محمد؛ بذرافشان، ادریس و نصرآبادی، مهناز (1392). مدل‌‌سازی انتشار گازهای SO2 و NOX خروجی از دودکش نیروگاه گازی توس مشهد. مجلة سلامت و محیط، دورة 6، شمارة 1، ص 77-90.
اشرفی، خسرو؛ حاجی‌زاد، ناصر؛ رحمانی، ایرج و مقدم، مونا (1391). سنجش و تحلیل آلاینده‌‌های هوا در بندر امام خمینی (ره). دهمین همایش بین‌المللی سواحل، بنادر و سازه‌‌های دریایی، 11 صفحه.
پیکان‌پورفرد، رضا؛ مرادی، حسین؛ لطفی، علی و پورمنافی، سعید (1400). تلفیق نقشه‌سازی آلودگی هوا در برنامه‌ریزی کاربری اراضی شهرستان مبارکه. جغرافیا و برنامه‌ریزی محیطی، سال 32، شمارۀ 2، ص 45‑66.
حمایتی‌نژاد، حمید و رجایی، علی (1392). ارزیابی تناسب کاربری اراضی از طریق مدل توان اکولوژیک در استان اردبیل با هدف آمایش سرزمین. مجلۀ علمی‌پژوهشی آمایش سرزمین، دورۀ 5، شمارۀ 1، ص 5-26.
جوانبخت امیری، سعید و خاتمی، هانیه (1384). بررسی ارتباط بین آلاینده‌‌های شاخص کیفیت هوا و پارامترهای هواشناسی در تهران با رویکرد آنالیز رگرسیون سال 1384. انسان و محیط‌زیست، دورۀ 10، شمارۀ 1، ص 15-28.
سرخیل، حمید؛ عظیمی، یوسف و رهبری، شاهرخ (1397). ارزیابی کیفیت زیست‌‌محیطی هوا با استفاده از منطق فازی در منطقۀ ویژۀ اقتصادی و انرژی پارس. علوم و تکنولوژی محیط‌زیست، سال 79، شمارۀ 4، 16 صفحه.
کیالان، ندا (1392). ارزیابی اثرات تجمعی توسعۀ صنایع پتروشیمی منطقۀ ویژۀ اقتصادی ماهشهر. پایان‌نامۀ کارشناسی ارشد، استاد راهنما: دکتر احد ستوده، گروه محیط‌‌زیست، دانشگاه یزد، دانشکدۀ منابع‌‌ طبیعی و کویر‌‌شناسی.
محمدی، حسین و رباطی، معصومه (1388). نقش پارامتر‌‌های اقلیمی در پراکنش آلودگی هوای منطقۀ ویژۀ اقتصادی پتروشیمی‌‌های ماهشهر. جغرافیا، دورۀ 3، شمارۀ 21، ص 100-121.
ملماسی، سعید؛ جوزی، علی؛ منوری، مسعود و جعفریان مقدم، الهه (1389). بررسی اثرات محیط‌‌زیستی صنایع پتروشیمی تولیدکنندۀ PET-PTA. انسان و محیط‌‌زیست، دورۀ 12، شمارۀ 8، ص 73-81.
محمداسماعیل، زهرا (1389). پایش تغییرات کاربری اراضی کرج با استفاده از تکنیک سنجش از دور. نشریۀ پژوهش خاک (علوم و آب)، دورۀ 24، شمارۀ 1، 81 صفحه.
یوسفی، صالح؛ مرادی، حمیدرضا؛ حسینی، حمزه و میرزایی، سمیه (1390). پایش تغییرات کاربری اراضی مریوان با استفاده از سنجندۀ TM و ماهوارۀ LANDSAT. کاربرد سنجش از دور و GIS در علوم منابع طبیعی، دورۀ 2، شمارۀ 3، ص 97-105.
فیضی‌زاده، بختیار؛ ولی‌زاده کامران، خلیل و حیدری، حسن (1386). استخراج کاربری‌‌های اراضی شهرستان ملکان با استفاده از تصاویر ماهواره‌‌ای ETM+ لندست 7. آمایش سرزمین، دورۀ 2، شمارۀ 3.
رسولی، علی (1387). مبانی سنجش از دور کاربردی با تأکید بر پردازش تصاویر ماهواره‌‌ای. انتشارات دانشگاه تبریز.
رضایی، محمد و بشیری، محمود (1391). تحلیلی بر نقش برنامه‌ریزی راهبردی در آموزش توسعۀ پایدار با تأکید بر ابعاد محیط‌زیستی. علوم و تکنولوژی محیط‌زیست، دورۀ 16، شمارۀ 2، ص 409-421.
طالبی‌فرد، رضا؛ شفیعی، اشکان و یگانه، افشین (1400). ارزیابی فضایی تأثیر پارامترهای کاربری اراضی بر کیفیت هوا در مناطق شهری، مطالعۀ موردی: شهر تهران. مطالعات علوم محیط‌‌زیست، دورۀ 6، شمارۀ 3، ص 3890-3899.
Albanese, S., De Vivo, B., Lima, A., Frattasio, G., Kříbek, B., Nyambe, I. & Majer, V. (2014). Prioritising environmental risk at the regional scale by a GIS aided technique. Journal of Geochemical Exploration, Voloume 144, Pp 332-344.
Akbari, E., Zangane Asadi, M. & Taghavi, E. (2016). Change detectionn land use and land cover regional neyshabour using Different methods of statistical training theory. Geographical Planning of Space, Voloume 6, Issue 20, Pp 35-50.
Abbasspour, M., Javid, A. & Saeidi, S. (2014). The Impact of Urban Parks on PM10 Suspended Particles, Through Using GIS Software. Journal of Environmental Science and Technology, Voloume 16, Issue 1, Pp 1-12.
Atai, H. & Hashemi, S. (2011). Identification and analysis of atmospheric mid-level patterns affecting air pollution in Isfahan. Journal of Research and Urban Planning, Voloume 2, Issue 4, Pp 97-113.
Borge, R., Narros, A., Artíñano, B., Yagüe, C., Gómez-Moreno, F. & Paz, D. (2016). Assessment of microscale spatiotemporal variation of air pollution at an urban hotspot in Madrid (Spain) through an extensive field campaign. Atmospheric environment, Voloume 140, Pp 432-445.
Chiang, T., Yuan, T., Shie, R., Chen, C. & Chan, C. (2016). Increased incidence of allergic rhinitis, bronchitis and asthma, in children living near a petrochemical complex with SO2 pollution. Environment International, Voloume 96, Pp 1-7.
Deligiorgi, D. & Philippopoulos, K. (2018). Spatial interpolation methodologies in urban air pollution modeling. Advanced Air Pollution, Voloume 341, Pp 62-73.
El Baroudy, A. (2016). Mapping and evaluating land suitability using a GIS-based model. Catena, Volume 140, Pp 96-140.
Fan F., Weng, Q. & Wang, Y. (2007). Land use land cover change in Guangzhou, China, from 1998 to 2003, based on Landsat TM/ETM+ imagery. Sensors, Voloume 7, Pp 1323-1342.
Fallah Sourki, M., Kavian A. & Omidvar, E. (2016). Prioritizitzation of Haraz sub-watersheds in order to Soil and Water Conservation Practices Based on Morphometric and Land Use Characteristics. Journal of Science and Technology of Agriculture and Natural Resources, Voloume 20, Issue 77, Pp 85-99.
Guo, L., Yuan, P., Song, Y., Peng, J. & Wang, L. (2011). Case study and environmental risk assessment of the petrochemical industry. Voloume 80, Pp 1101-1104.
Han, L., Zhao, J., Gao, Y., Gu, Z., Xin, K. & Zhang, J. (2020). Spatial distribution characteristics of PM2.5 and PM10 in Xi’an City predicted by land use regression models. Sustainable Cities and Society, Volume 61, Pp 1-16.
Halim, N., Latif, M., Mohamed, A., Maulud, K., Idrus, S., Azhari, A., Othman, M. & Sofwan, N. (2020). Spatial assessment of land use impact on air quality in mega urban regions Malaysia. Sustainable Cities and Society, Volume 63, Pp 1-13.
Ismailnejad, M., Eskandari Sani, M. & Barzaman, S. (2015). Evaluation and Zoning of Urban air Pollution in Tabriz. Regional Planning, Voloume 5, Issue 19, Pp 173-186.
Jiang, Z., Cheng, H., Zhang, P. & Kang, T. (2021). Influence of urban morphological parameters on the distribution and diffusion of air pollutants: A case study in China. Journal of Environmental Sciences, Voloume 105, Pp 163-172.
Kongtip, P., Singkaew, P., Yoosook, W., Chantanakul, S. & Sujiratat, D. (2013). Health effects of people living close to a petrochemical industrial estate in Thailand. Journal of the Medical Association of Thailand, Voloume, Pp 64-72.
Khavarian-Garmsir, A. & Rezaei, M. (2015). Selection of appropriate locations for industrial areas using GIS-fuzzy methods: A case study of Yazd Township, Iran. Journal of Settlements and Spatial Planning, Volume 6, Issue 1, Pp 19-25.
Kuo, Y., Lu, S., Tzeng, G., Lin, Y. & Huang, Y. (2013). Using fuzzy integral approach to enhance site selection assessment a case study of the optoelectronics industry. Procedia Computer Science, Volume 17, Pp 306-313.
Kongtip, P., Singkaew, P., Yoosook, W., Chantanakul, S. & Sujiratat, D. (2013). Health effects of people living close to a petrochemical industrial estate in Thailand. Journal of the Medical Association of Thailand, Chotmaihet thangphaet, Voloume 96, Issue 5, Pp 64-72.
Kelishadi, R., Moeini, R. & Poursafa, P. (2014). Indepent association between air pollutants and vitamin D deficienty in young children in Isfahan, Iran. Paediatrics and international child health, Voloume 34, Issue 1, Pp 50-55.
Khan, J., Kakosimos, K., Raaschou, O., Brandt, J., Jensen, S. & Ellermann, T. (2019). Development and performance evaluation of new AirGIS–a GIS based air pollution and human exposure modelling system. Atmospheric environment, Voloume 198, Pp 102-121.
Lue, D., Xu, J., Yue, W., Mao, W., Yang, D. & Wang, J. (2020). Response of PM2.5 pollution to land use in China. Journal of Cleaner Production, Volume 244, Pp 1-25.
López-Serrano, P., Corral-Rivas, J., Díaz-Varela, R., Álvarez-González, J. & López-Sánchez, C. (2016). Evaluation of radiometric and atmospheric correction algorithms for aboveground forest biomass estimation using landsat 5 TM data. Remote Sensing, Voloume 8, Issue 5, Pp 1‑19.
Metia, S., Ha, P., Duc, H.N. & Scorgie, Y. (2020). Urban air pollution estimation using unscented Kalman filtered inverse modeling with scaled monitoring data. Sustainable Cities and Society, Voloume 54, Pp 97‑101.
Memarbashi, E., Azadi, H., Barati, A.A., Mohajeri, F., Passel, S.V. & Witlox, F. (2017). Land-use suitability in Northeast Iran: application of AHP-GIS hybrid model. ISPRS International Journal of Geo-Information, Volume 6, Issue 12, Pp 1‑15.
Montero, J. & Fernández, G. (2018). Functional kriging prediction of atmospheric particulate matter concentrations in Madrid, Spain: Is the new monitoring system masking potential public health problems. Journal of Cleaner Production, Voloume 175, Pp 283‑293.
Masroor, K., Yousefi, S., Fanaei, F. & Raeesi, M. (2020). Spatial modelling of PM2.5 concentrations in Tehran using Kriging and inverse distance weighting (IDW) methods. Journal of Air Pollution and Healt, Voloume 5, Issue 1, Pp 1‑9.
Nadal, M., Cadiach Ricoma, O., Kumar, V., Poblet, P., Mari, M., Schuhmacher, M. & Domingo, J. (2011). Health Risk Map of a Petrochemical Complex through GIS-Fuzzy Integration of Air Pollution Monitoring Data, Human and Ecological Risk Assessment: An International Journal, Voloume 17, Pp 873‑891.
Noorpoor, A. & Feiz, S. (2014). Determination of the Spatial and Temporal Variation of SO2, NO2 and Particulate Matter Using GIS Techniques and Estimation of Concentration Modeling with LUR Method. Journal of Environmental Studies, Voloume 40, Issue 3, Pp 723‑738.
Qiao, P., Lei, M., Yang, S., Yang, J., Guo, G. & Zhou, X. (2018). Comparing ordinary kriging and inverse distance weighting for soil as pollution in Beijing. Environmental Science and Pollution Research, Voloume 25, Issue 16, Pp 597-608.
Sarwar, M.T. & Maqbool, A. (2019). Causes and control measures of urban air pollution in China. Environment & Ecosystem Science (EES), Volume 3, Issue 1, Pp 35-36.
Shi, X., Li, M., Hunter, O., Guetti, B., Andrew, A. & Stommel, E. (2019). Estimation of environmental exposure: interpolation, kernel density estimation or snapshotting. Annals of GIS, Voloume 25, Issue 1, Pp 1-8.
Sharifi Sadeh, M. & Ahmadi Nadoushan, M. (2018). Application of a land use regression (LUR) model to the spatial modelling of air pollutants in Esfahan city. Environmental Sciences, Voloume 16, Issue 2, Pp 203-216.
Seifi, M., Yunesian, M. & Nadafee, K. (2021). Exposure to ambient air pollution and socio-economic status on intelligence quotient among schoolchildren in a developing country. Environmental Science and Pollution Research, Voloume 29, Issue 1, Pp 1-9.
Vahdat, A. & Rahimi, S. (2013). Impact of urban land use pattern on Tehran air quality. Journal of Research and Urban Planning, Voloume 4, Issue 14, Pp 123-142.
Tehrani, N., Mollalo, A., Farhani, F. & Pahlevanzade, N. (2021). Time-Series Analysis of COVID-19 in Iran: A Remote Sensing Perspective. geospatial information and community resilience,Voloume 21, Pp 277-290.
Vahdat, A. & Alimohammadi, A. (2020). Study of Hourly Variability of Association between Land Use Parameters and COPollutant Using LUR Model in Tehran. Iranian Journal of Remote Sensing & GIS, Voloume 12, Issue 1, Pp 1-18.
Xu, H., Bechle, M.J., Wang, M., Szpiro, A.A., Vedal, S. & Bai, Y. (2019). National PM2.5 and NO2 exposure models for China based on land use regression, satellite measurements and universal kriging. Science of the Total Environment, Voloume 655, Pp 423-433.
Yu, H., Russell, A., Mulholland, J., Odman, T., Hu, Y. & Chang, H. (2018). Cross-comparison and evaluation of air pollution field estimation methods. Atmospheric environment, Voloume 179, Pp 49-60.
Yang, C.Y., Wang, J.D., Chan, C.C., Hwang, J.S. & Chen, P. (2021). Respiratory symptoms of primary school children living in a petrochemical polluted area in Taiwan. Pediatr Pulmonol, Voloume 25, Pp 299-303.

Files

History

  • Receive Date: 07 April 2022
  • Revise Date: 19 May 2022
  • Accept Date: 29 May 2022

Share

How to cite

Statistics