تحلیل فضایی و زمانی توزیع آلایندهی متان در مناطق کلانشهری با استفاده از سنجشازدور و سیستم اطلاعات جغرافیایی (مطالعه موردی: کلانشهر اصفهان) | ||
| نشریه سنجش از دور و GIS ایران | ||
| مقاله 9، دوره 17، شماره 3 - شماره پیاپی 67، 1404، صفحه 177-200 اصل مقاله (4.19 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.48308/gisj.2025.238060.1243 | ||
| نویسندگان | ||
| احمدرضا ابوترابی برزآبادی؛ علی صادقی* ؛ داریوش رحیمی | ||
| گروه جغرافیا و برنامه ریزی شهری، دانشکده علوم جغرافیایی و برنامه ریزی، دانشگاه اصفهان، اصفهان، ایران | ||
| چکیده | ||
| سابقه و هدف: آلودگی هوا یکی از چالشهای مهم زیستمحیطی و بهداشتی است که با رشد صنعتی و افزایش فعالیتهای انسانی بهویژه در شهرهای بزرگ و صنعتی تشدید شده است. گاز متان بهعنوان یکی از قویترین گازهای گلخانهای نقش چشمگیری در گرمایش جهانی، تغییرات اقلیمی، و کاهش کیفیت هوا ایفا میکند. منابع انتشار این گاز شامل تالابها، دامداریها، کشاورزی، و دفن زباله است که فعالیتهای انسانی سهم قابلتوجهی در افزایش آن دارند. اندازهگیری و پایش آلودگی هوا اغلب با محدودیتهای مکانی و زمانی ایستگاههای سنجش زمینی مواجه است. در این راستا، دادههای ماهوارهای بهدلیل پوشش گسترده، هزینه بهینه و توانایی ارائه دادههای با وضوح مکانی و زمانی بالا، بهعنوان یکی از مهمترین منابع اطلاعاتی برای مطالعه آلودگی هوا مورد استفاده قرار میگیرند. در این پژوهش، از دادههای سنجنده TROPOMI بر روی ماهواره Sentinel-5P، که امکان اندازهگیری غلظت گاز متان در جو را فراهم میکند، بهعنوان منبع اصلی داده استفاده شده است. این دادهها مبنای تحلیل فضایی و زمانی توزیع متان در محدوده کلانشهر اصفهان بوده و امکان بررسی دقیق الگوهای مکانی و زمانی این آلاینده را در سطح گسترده فراهم کردهاند. باوجود اهمیت بالای آلودگی متان، تاکنون مطالعهای جامع در خصوص تحلیل توزیع مکانی و زمانی این آلاینده در کلانشهر اصفهان انجامنشده است. هدف این پژوهش، تحلیل جامع و سیستماتیک توزیع متان در شهر اصفهان با استفاده از دادههای ماهوارهای و شناسایی ارتباط میان تغییرات عوامل جوی و تغییرات گاز متان است تا راهکارهایی موثر برای مدیریت آلودگی هوا و بهبود کیفیت زیستمحیطی ارائه شود. مواد و روشها: این پژوهش با هدف تحلیل مکانی و زمانی توزیع غلظت متان در کلانشهر اصفهان، از دادههای سنجنده TROPOMI مستقر بر ماهواره Sentinel-5P در بازه زمانی 1398 تا 1402 استفاده کرده است. دادههای ماهوارهای با بهرهگیری از سامانه گوگل ارث انجین فراخوانی، پردازش و تحلیل شدند. برای بررسی الگوی توزیع مکانی غلظت متان، شاخص موران جهانی و آماره G بهمنظور تحلیل خوشهها و تعیین نحوه پراکنش دادهها به کار رفت. علاوه بر این، از آماره Gi برای شناسایی مناطق دارای بیشترین (نقاط داغ) و کمترین (نقاط سرد) غلظت متان استفاده شد. همچنین، ارتباط میان غلظت متان و عوامل اقلیمی مانند دما، فشار هوا، میزان بارش و سرعت باد از طریق محاسبه ضریب همبستگی پیرسون ارزیابی گردید. در نهایت، روند تغییرات زمانی غلظت متان در مقیاسهای ماهانه، فصلی و سالانه مورد تحلیل قرار گرفت. نتایج و بحث: نتایج حاصل از تحلیلهای انجامشده نشاندهنده روند افزایشی غلظت گاز متان در کلانشهر اصفهان طی دوره زمانی مورد مطالعه بوده است. این گاز در فصول سرد سال بهویژه در نواحی صنعتی و کشاورزی بیشترین غلظت را تجربه کرده است. بررسیهای مکانی نشاندهنده تشکیل خوشههای قابل توجهی از غلظتهای بالا در مناطق شمالی، بهویژه مناطق 4 و 7، و همچنین مناطق شرقی، بهویژه مناطق 12 و 15، میباشد که بهدلیل فعالیتهای مرتبط با دامداری، کشاورزی و دفن زباله، غلظتهای بالای متان را در این مناطق بهدنبال داشته است. در مقابل، نواحی جنوبی، بهویژه مناطق 2 و 6، و همچنین بخشهایی از نواحی غربی بهعنوان نقاط سرد با غلظتهای پایینتر شناخته شدند. علاوه بر این، ارزیابی ارتباط پارامترهای اقلیمی نشان داد که دما و سرعت باد بهطور معکوس با تغییرات غلظت متان در ارتباط بودهاند، در حالیکه فشار هوا نشاندهنده رابطهی مثبت و معناداری با تغییرات غلظت این گاز بود. نتیجهگیری: نتایج این پژوهش، که مبتنی بر تحلیل دادههای ماهوارهای با دقت بالا و روشهای پیشرفته سنجش مکانی است، اطلاعات ارزشمندی را در زمینه مدیریت آلودگی هوا و برنامهریزی شهری فراهم میآورد. بر این اساس، پیشنهاد میشود پایش و کنترل انتشار متان با اولویتبندی فصول سرد سال و تمرکز بر مناطق شناساییشده بهعنوان نقاط داغ انجام گیرد. در این راستا، بهینهسازی فرآیندهای صنعتی، مدیریت کارآمد پسماندها در نواحی شرقی اصفهان و کنترل انتشار متان از دامداریهای شمالی با بهرهگیری از فناوریهای نوین، ازجمله روشهای تصفیه زیستی، میتواند بهطور مؤثری در کاهش این آلاینده نقش ایفا کند. علاوه بر این، استفاده از دادههای سنجش از دور و مدلهای پیشبینی پیشرفته برای پایش مداوم غلظت متان و اجرای راهکارهای کنترل آلودگی بهصورت هدفمند، بهعنوان یک راهبرد مؤثر توصیه میشود. | ||
| کلیدواژهها | ||
| آلایندهی متان؛ سنتینل5p؛ سنجشازدور؛ کلانشهر اصفهان؛ تحلیل فضایی و زمانی | ||
| عنوان مقاله [English] | ||
| Spatial and Temporal Analysis of Methane Pollutant Distribution in Metropolitan Areas Using Remote Sensing and Geographic Information Systems (Case Study: Isfahan Metropolis) | ||
| نویسندگان [English] | ||
| Ahmadreza Aboutorabi Boarzabadi؛ Ali Sadeghi؛ Dariush Rahimi | ||
| Dep of Geography and Urban Planning, Faculty of Geographical Sciences and Planning, University of Isfahan, Isfahan, Iran | ||
| چکیده [English] | ||
| Background and Objectives: Air pollution is one of the major environmental and health challenges that has been exacerbated by industrial growth and increased human activity, particularly in large and industrial cities. Methane gas, as one of the most potent greenhouse gases, plays a significant role in global warming, climate change, and the deterioration of air quality. The sources of methane emissions include wetlands, livestock farming, agriculture, and landfill sites, with human activities contributing significantly to its increase. Measuring and monitoring air pollution often faces spatial and temporal limitations due to ground-based monitoring stations. In this context, satellite data, due to its wide coverage, cost-effectiveness, and ability to provide high spatial and temporal resolution data, is used as one of the most important sources of information for studying air pollution. This research utilizes data from the TROPOMI sensor on the Sentinel-5P satellite, which enables the measurement of methane concentrations in the atmosphere, as the primary data source. These data serve as the basis for spatial and temporal analysis of methane distribution in the Isfahan metropolitan area, providing an opportunity to closely examine the spatial and temporal patterns of this pollutant on a large scale. Despite the high importance of methane pollution, no comprehensive study has been conducted regarding the spatial and temporal distribution of this pollutant in Isfahan. The aim of this research is to conduct a comprehensive and systematic analysis of methane distribution in the city of Isfahan using satellite data and identify the relationship between atmospheric changes and methane variations to offer effective solutions for air pollution management and environmental quality improvement. Materials and Methods: This study aims to analyze the spatial and temporal distribution of methane concentration in the Isfahan metropolitan area using TROPOMI sensor data from the Sentinel-5P satellite over the period from 2019 to 2023. Satellite data were retrieved, processed, and analyzed using the Google Earth Engine platform. To examine the spatial distribution pattern of methane concentration, the Global Moran’s I index and G-statistic were applied to analyze clusters and determine the data dispersion. Additionally, the Gi-statistic was used to identify areas with the highest (hot spots) and lowest (cold spots) methane concentrations. Furthermore, the relationship between methane concentration and climatic factors such as temperature, air pressure, precipitation, and wind speed was evaluated through the calculation of Pearson’s correlation coefficient. Finally, the temporal trends of methane concentration were analyzed on a monthly, seasonal, and annual scale. Results and Discussion: The results from the analyses indicate an increasing trend in methane concentration in the Isfahan metropolitan area during the study period. This gas experienced the highest concentrations in the colder seasons, especially in industrial and agricultural areas. Spatial analyses revealed significant clusters of high concentrations in the northern regions, particularly in areas 4 and 7, as well as in the eastern areas, particularly in areas 12 and 15. These high methane concentrations were linked to activities such as livestock farming, agriculture, and landfill operations. In contrast, the southern regions, particularly areas 2 and 6, as well as some parts of the western areas, were identified as cold spots with lower concentrations. Furthermore, the assessment of the relationship between climatic parameters showed an inverse correlation between temperature and wind speed with methane concentration changes, while air pressure exhibited a positive and significant relationship with the gas concentration changes. Conclusion: The results of this study, based on high-precision satellite data analysis and advanced spatial measurement techniques, provide valuable information for air pollution management and urban planning. Accordingly, it is recommended that methane emission monitoring and control be prioritized during the colder seasons, with a focus on the identified hot spots. In this regard, optimizing industrial processes, efficiently managing waste in the eastern parts of Isfahan, and controlling methane emissions from northern livestock farms using modern technologies, including bioremediation methods, can play an effective role in reducing this pollutant. Additionally, the use of remote sensing data and advanced predictive models for continuous methane concentration monitoring and targeted pollution control strategies is recommended as an effective approach. | ||
| کلیدواژهها [English] | ||
| Methane Pollutant, Sentinel-5P, Remote Sensing, Isfahan Metropolis, Spatial and Temporal Analysis | ||
| مراجع | ||
|
Alexe, M., Bergamaschi, P., Segers, A., Detmers, R., Butz, A., Hasekamp, O., ... & Kort, E.A., 2015, Inverse Modelling of CH 4 Emissions for 2010–2011 Using Different Satellite Retrieval Products from GOSAT and SCIAMACHY, Atmospheric Chemistry and Physics, 15(1), PP. 113-133, https://doi.org/ 10.5194/acp-15-113-2015, 2015. Aumann, H.H., Chahine, M.T., Gautier, C., Goldberg, M.D., Kalnay, E., McMillin, L.M., ... & Susskind, J., 2003, AIRS/AMSU/HSB on the Aqua Mission: Design, Science Objectives, Data Products, and Processing Systems, IEEE Transactions on Geoscience and Remote Sensing, 41(2), PP. 253-264, DOI: 10.1109/ TGRS.2002.808356. Bagheri, R., Ebrahimi Bouzani, M. & Mokhtari Malekabadi, R., 2022, Spatial Distribution and Deprivation Zoning in Isfahan City, Geography (Scientific Quarterly of the Iranian Geographical Association), 20(73), PP. 37-62. Basu, S., Lan, X., Dlugokencky, E., Michel, S., Schwietzke, S., Miller, J.B., ... & Manca, G., 2022, Estimating Emissions of Methane Consistent with Atmospheric Measurements of Methane and δ 13 C of Methane, Atmospheric Chemistry and Physics, 22(23), PP. 15351-15377, https://doi.org/10.5194/acp-22-15351-2022. Batur, I., Markolf, S.A., Chester, M.V., Middel, A., Hondula, D. & Vanos, J., 2022, Street-Level Heat and Air Pollution Exposure Informed by Mobile Sensing, Transportation Research Part D: Transport and Environment, 113, P. 103535, https://doi.org/10.1016/j.trd.2022.103535. Cherepanova, E.V., Feoktistova, N.V. & Chudakova, M.A., 2020, Analysis of Methane Concentration Anomalies over Burned Areas of the Boreal and Arctic Zone of Eastern Siberia in 2018–2019 Using TROPOMI Data, Izvestiya, Atmospheric and Oceanic Physics, 56, PP. 1470-1481, https://doi.org/10.1134/S0001433820120385.
De Gouw, J.A., Veefkind, J.P., Roosenbrand, E., Dix, B., Lin, J.C., Landgraf, J. & Levelt, P.F., 2020, Daily Satellite Observations of Methane from Oil and Gas Production Regions in the United States, Scientific Reports, 10(1), P. 1379, https://doi.org/ 10.1038/s41598-020-57678-4. Filonchyk, M., Yan, H., Yang, S. & Lu, X., 2018, Detection of Aerosol Pollution Sources during Sandstorms in Northwestern China Using Remote Sensed and Model Simulated Data, Advances in Space Research, 61(4), PP. 1035-1046, https://doi.org/10.1016/j.asr.2017.11.037. Garajeh, M.K. & Feizizadeh, B., 2021, A Comparative Approach of Data-Driven Split-Window Algorithms and MODIS Products for Land Surface Temperature Retrieval, Applied Geomatics, 13, PP. 715-733, https://doi.org/10.1007/s12518-021-00388-x. Giovannini, L., Ferrero, E., Karl, T., Rotach, M.W., Staquet, C., Trini Castelli, S. & Zardi, D., 2020, Atmospheric Pollutant Dispersion over Complex Terrain: Challenges and Needs for Improving Air Quality Measurements and Modeling, Atmosphere, 11(6), P. 646, https://doi.org/ 10.3390/atmos11060646. Google Earth Engine, 2024, COPERNICUS/ S5P/OFFL/L3_CH4: TROPOMI CH4: Offline. Google Earth Engine. https://developers.google.com/earth-engine/datasets/catalog/COPERNICUS_S5P_OFFL_L3_CH4. Hadian, A. & Moradizadeh, M., 2024, Modeling the Distribution of NO₂ and O₃ Pollutant Concentrations with Appropriate Spatial Resolution Using Integrated Ground and Satellite Data, Journal of Remote Sensing and GIS of Iran, 16(2), PP. 85-104, DOI: 10.48308/gisj.2023.103726. Jin, Z., He, J. & Wang, W., 2024, Monitoring Methane Concentrations with High Spatial Resolution over China by Using Random Forest Model, Remote Sensing, 16(14), P. 2525, https://doi.org/10.3390/ rs16142525. Kazemi Garajeh, M., Laneve, G., Rezaei, H., Sadeghnejad, M., Mohamadzadeh, N. & Salmani, B., 2023, Monitoring Trends of CO, NO2, SO2, and O3 Pollutants Using Time-Series Sentinel-5 Images Based on Google Earth Engine, Pollutants, 3(2), PP. 255-279, https://doi.org/10.3390/pollutants3020019. Li, Y. & Fang, H., 2022, Real-Time Software for the Efficient Generation of the Clumping Index and Its Application Based on the Google Earth Engine, Remote Sensing, 14(15), P. 3837, https://doi.org/10.3390/rs14153837. Loyola, D.G., Gimeno García, S., Lutz, R., Argyrouli, A., Romahn, F., Spurr, R.J., ... & Schüssler, O., 2018, The Operational Cloud Retrieval Algorithms from TROPOMI on Board Sentinel-5 Precursor, Atmospheric Measurement Techniques, 11(1), PP. 409-427, https://doi.org/ 10.5194/amt-11-409-2018. Ma, L., Cui, Y., Liu, B., Liao, B., Wei, J., Han, H. & Tian, W., 2023, A GIS-Based Method for Modeling Methane Emissions from Paddy Fields by Fusing Multiple Sources of Data, Science of The Total Environment, 859, P. 159917, https://doi.org/ 10.1016/j.scitotenv. 2022.159917. Mohammadi, M. & Akhoundzadeh Henzaei, M., 2022, Monitoring and Detection of Methane Gas in Tehran Using Google Earth Engine Platform, Geoinformatics in Civil Engineering, 1(1), PP. 41-52, DOI: 10.22061/jrsgr.2022.1948. Mousavi, S.M., Falahatkar, S. & Farajzadeh, M., 2017, Monitoring Monthly and Seasonal Changes of Methane Gas Using GOSAT Satellite Data, Journal of Physical Geography Research, 49(2), PP. 327-340, DOI: 10.22059/jphgr.2017.62848. Mukundan, A., Huang, C.C., Men, T.C., Lin, F.C. & Wang, H.C., 2022, Air Pollution Detection Using a Novel Snap-Shot Hyperspectral Imaging Technique, Sensors, 22(16), P. 6231, https://doi.org/ 10.3390/s22166231. Naboureh, A., Li, A., Bian, J. & Lei, G., 2023, National Scale Land Cover Classification Using the Semiautomatic High-Quality Reference Sample Generation (HRSG) Method and an Adaptive Supervised Classification Scheme, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 16, PP. 1858-1870, 10.1109/JSTARS.2023.3241620. Nooraie, H. & Shokrani, S.M., 2021, Spatial Analysis and Classification of the Fifteen Regions of Isfahan Metropolis Based on Air Pollution Distribution, Geography and Environmental Planning, 32(2), PP. 83-102, DOI: 10.22108/gep.2021.126981.1394. Orsetti, E., Tollin, N., Lehmann, M., Valderrama, V.A. & Morató, J., 2022, Building Resilient Cities: Climate Change and Health Interlinkages in the Planning of Public Spaces, International Journal of Environmental Research and Public Health, 19(3), P. 1355, https://doi.org/10.3390/ ijerph19031355. Pei, Z., Han, G., Mao, H., Chen, C., Shi, T., Yang, K., ... & Gong, W., 2023, Improving Quantification of Methane Point Source Emissions from Imaging Spectroscopy, Remote Sensing of Environment, 295, P. 113652, https://doi.org/10.1016/j.rse.2023. 113652. Plant, G., Kort, E.A., Murray, L.T., Maasakkers, J.D. & Aben, I., 2022, Evaluating Urban Methane Emissions from Space Using TROPOMI Methane and Carbon Monoxide Observations, Remote Sensing of Environment, 268, P. 112756, https://doi.org/10.1016/j.rse.2021.112756. Sadavarte, P., Pandey, S., Maasakkers, J.D., Lorente, A., Borsdorff, T., Denier van der Gon, H., ... & Aben, I., 2021, Methane Emissions from Superemitting Coal Mines in Australia Quantified Using TROPOMI Satellite Observations, Environmental Science & Technology, 55(24), PP. 16573-16580, https://doi.org/ 10.1021/acs.est.1c03976. Shikwambana, L., Mhangara, P. & Mbatha, N., 2020, Trend Analysis and First Time Observations of Sulphur Dioxide and Nitrogen Dioxide in South Africa Using TROPOMI/Sentinel-5 P Data, International Journal of Applied Earth Observation and Geoinformation, 91, P. 102130. Skeie, R.B., Hodnebrog, Ø. & Myhre, G., 2023, Trends in Atmospheric Methane Concentrations since 1990 Were Driven and Modified by Anthropogenic Emissions, Communications Earth & Environment, 4(1), P. 317, https://doi.org/ 10.1016/j.jag.2020.102130. Song, H., Sheng, M., Lei, L., Guo, K., Zhang, S. & Ji, Z., 2023, Spatial and Temporal Variations of Atmospheric CH4 in Monsoon Asia Detected by Satellite Observations of GOSAT and TROPOMI, Remote Sensing, 15(13), P. 3389, https://doi.org/10.3390/rs15133389. Vîrghileanu, M., Săvulescu, I., Mihai, B.A., Nistor, C. & Dobre, R., 2020, Nitrogen Dioxide (NO2) Pollution Monitoring with Sentinel-5P Satellite Imagery over Europe during the Coronavirus Pandemic Outbreak, Remote Sensing, 12(21), P. 3575, https://doi.org/10.3390/rs12213575. Vlasov, D., Ramírez, O. & Luhar, A., 2022, Road Dust in Urban and Industrial Environ-ments: Sources, Pollutants, Impacts, and Management, Atmosphere, 13(4), P. 607, https://doi.org/10.3390/atmos13040607. | ||
|
آمار تعداد مشاهده مقاله: 1,989 تعداد دریافت فایل اصل مقاله: 1,211 |
||