Spatial Distribution of The Carbon Monoxid Using Common and Modern Interpolation Methods (Case study of Tehran)

Authors

1 Department of Surveying Engineering, College of Earth Sciences Engineering, Arak University of Technology, Arak , Iran

2 Geospatial Information Science Division, Faculty of Geodesy and Geomatics Engineering, and Center of Excellence in Geo-Information Technology, K.N. Toosi University of Technology, Tehran, Iran

Abstract

Air pollution is a major threat to public health, especially in the metropolises (Kalo et al., 2020). Due to the disadvantages of air pollution, understanding the various aspects of this issue is of great importance. Producing accurate air pollution maps plays an important role in managing and quantifying existing and future health risks (Alimissis et al., 2018).
Estimating the spatial distribution of air pollution continuously over a wide geographical area, especially in areas that have not been measured is a major concern in health studies (Masroor et al., 2020). Although spatial interpolation methods have been widely used in various applications to estimate unknown values in unsampled locations, many fundamental problems remain unresolved (Kalo et al., 2020). The superior methods extracted in previous research show that the results obtained in one phenomenon or one area are not extendable to all phenomena and places. Therefore, the evaluation and selection of interpolation techniques play an important role in the spatial zoning of CO pollution. Based on the results presented by García-Santos et al. (2020) and given reviewing the methods used in previous research, Inverse Distance Weight (IDW), Kriging (simple, ordinary, and universal), and Radial Base Function (RBF) methods were selected as common and classical methods of evaluation. New interpolation methods including artificial neural networks (ANN) and fuzzy-based methods have been developed in various fields. Alimissis et al. (2018) expressed the ability of ANN in predicting the pollutants of nitrogen dioxide, nitrogen monoxide, carbon monoxide, sulfur, and ozone. ANN and linear interpolations have also been used for daily nitrous oxide measurements (Bigaignon et al., 2020). In performed research, only the temporal forecast of air pollution in each station is considered and no spatial zoning is done. Tutmez and Hatipoglu (2010) compared the Takagi-Sugeno fuzzy method with fuzzy clustering and Universal Kriging in nitrate modeling so that their study demonstrated the superiority of fuzzy methods.
Since the spatial distribution of air pollutants is one of the major concerns of Tehran and authorities, the main objective of this research is to evaluate the capability of some proposed methods’ functionality (e.g., ANN and Fuzzy Sugeno by Fuzzy C-means Clustering) along with the common interpolation methods (e.g., IDW, RBF and Simple Kriging (SK), Ordinary Kriging (OK) and Universal Kriging (OK)) in estimating carbon monoxide gas pollution.

Keywords

Main Subjects


احمدیان ا، محمدرضا، م، متکان ع ا، "پهنه‌بندی NO2 جوی در شهرهای صنعتی با استفاده از تصاویر OMI و MODIS مطالعه موردی: کلان­ شهر تهران)"، مهندسی فناوری اطلاعات مکانی، 1397، 6، 171-184.
اسماعیل ­نژاد م، اسکندری ­ثانی م، بارزمان س، "ارزیابی و پهنه­ بندی آلودگی هوای کلان­شهر تبریز"، فصلنامه علمی- پژوهشی برنامه­ ریزی منطقه ­ای، 1394، 5، 173-186.
جانی ر، "اولویت­ سنجی روش ­های درون­ یابی فضایی در پهنه ­بندی مقاومت خاک (مطالعه موردی: شهرک پرواز)"، فضای جغرافیایی، 1397، 18.
چرم ­زن م، اسماعیلی ر، محمدی م، "ارزیابی بهترین الگوریتم درون­ یابی در توزیع مکانی آلاینده ­های هوا"، اولین کنفرانس ملّی مطالعات و تحقیقات نوین در حوزه علوم زیست ­محیطی و مدیریتی، مشهد: مؤسسه آموزش عالی خردگرایان مطهر، 1397.
خازینی ل، جمشیدی کلجاهی م، N Blond ، "بررسی میزان انتشار و نحوه‌ پراکندگی آلاینده‌های حاصل از خودروهای شهر تبریز"، نشریه مهندسی عمران و محیط زیست دانشگاه تبریز، 2019، 49 (3)، 23-34.
کامرانی ک ص ا، رضایی م، "ارزیابی کیفی آب زیرزمینی در دشت لنجانات با روش فازی تاکاگی سوگنو"، مجله زمین ­شناسی کاربردی پیشرفته، 1394، 16، 14-32.
محسنی ب، نمین ب ر، "بررسی تغییرات مکانی نیترات و فسفات آب‌های زیرزمینی و شناسایی مهم­ترین عوامل آلودگی از طریق ارزیابی روش‌های سری کریجینگ، کوکریجینگ و مدل رگرسیون چندگانه در حوزه آبخیز قره‌سو- استان گلستان"، فضای جغرافیایی، 1396، 59، 311-330.
محمدی ن، ظروفچی بنیس خ، شاکرخطیبی م، فاتحی­ فر ا، بهروز سرند ع، محمودیان ا، شیخ ­الاسلامی ف، "پیش‌بینی غلظت آلاینده‌های گازی در هوای شهر تبریز با استفاده از شبکه عصبی"، نشریه مهندسی عمران و محیط زیست دانشگاه تبریز، 2016، 46 (2)، 87-94.
میری م، قانعیان م ت، قلیزاده ع، یزدانی اول م، نیکونهاد ع، "تحلیل و پهنه­ بندی آلودگی هوا شهر مشهد با استفاده از مدل­ های مختلف تحلیل فضایی"، مهندسی بهداشت محیط، 1394، 3، 143-154.
ندیری ع، واحدی ف، اصغری مقدم ا، کدخدایی ع، "استفاده از مدل هوش مصنوعی مرکب نظارت شده برای پیش‌بینی سطح آب زیرزمینی"، نشریه مهندسی عمران و محیط زیست دانشگاه تبریز، 2016، 46 (3)، 101-112.
نورپور ع،  فیض س م ع، "تعیین تغییرات مکانی و زمانی آلاینده‌های گوگرد دی­اکسید، نیتروژن دی­اکسید و انواع ذرات معلق با استفاده از تکنیک‌های GIS در تهران"، محیط شناسی، 1393، 40، 723-738.
هوشنگی ن، آل­ شیخ ع ا، هلالی ح، "بررسی منطقه ­ای پتانسیل تابش خورشیدی با ارزیابی و بهینه ­سازی روش­ های درون ­یابی در سطح کشور ایران"، فصلنامه علمی- پژوهشی برنامه ­ریزی منطقه ­ای، 1393، 4، 1-16.
هوشنگی ن، آل ­شیخ ع ا، "ارزیابی روش‌های فازی، عصبی و فازی- عصبی در تخمین تابش خورشیدی کشور"، نشریه علمی - پژوهشی علوم و فنون نقشه­ برداری، 1393، 4، 187-200.
Alimissis A, Philippopoulos K, Tzanis CG, Deligiorgi D, “Spatial estimation of urban air pollution with the use of artificial neural network models”, Atmospheric Environment, 2018, 191, 205-213.
Anselin L, Le Gallo J, “Interpolation of Air Quality Measures in Hedonic House Price Models: Spatial Aspects”, Spatial Economic Analysis, 2006, 1, 31-52.
Bahari RA, Abaspour RA, Pahlavani P, “Zoning of Particulate Matters (PM) Pollution Using Local Statistical Models in GIS (Case Study: Tehran Metropolisies)”, Journal of Geomatics Science and Technology, 2016, 5, 165-174.
Belkhiri L, Tiri A, Mouni L, “Spatial distribution of the groundwater quality using kriging and Co-kriging interpolations”, Groundwater for Sustainable Development, 2020, 11, 100473.
Bigaignon L, Fieuzal R, Delon C, Tallec T, “Combination of two methodologies, artificial neural network and linear interpolation, to gap-fill daily nitrous oxide flux measurements”, Agricultural and Forest Meteorology, 2020, 291, 108037.
Ding Q, Wang Y, Zhuang D, “Comparison of the common spatial interpolation methods used to analyze potentially toxic elements surrounding mining regions”, Journal of Environmental Management, 2018, 212, 23-31.
Esri, “Understanding interpolation analysis”, http://resources.arcgis.com/en/help/main/10.1/index.html#//009z0000006w000000, 15 October 2020.
García-Santos G, Scheiber M, Pilz J, “Spatial interpolation methods to predict airborne pesticide drift deposits on soils using knapsack sprayers”, Chemosphere, 2020, 258, 127231.
Kalo M, Zhou X, Li L, Tong W, Piltner R, “Chapter 8- Sensing air quality: Spatiotemporal interpolation and visualization of real-time air pollution data for the contiguous United States”, LI, L., ZHOU, X., TONG, W. (eds.), Spatiotemporal Analysis of Air Pollution and Its Application in Public Health, Elsevier, 2020.
Li J, Wan H, Shang S, “Comparison of interpolation methods for mapping layered soil particle-size fractions and texture in an arid oasis”, Catena, 2020, 190, 104514.
Masroor K, Fanaei F, Yousefi S, Raeesi M, Abbaslou H, Shahsavani A, Hadei M, “Spatial modelling of PM2. 5 concentrations in Tehran using Kriging and inverse distance weighting (IDW) methods”, Journal of Air Pollution and Health, 2020, 5, 89-96.
Qiao P, Lei M, Yang S, Yang J, Guo G, Zhou X, “Comparing ordinary kriging and inverse distance weighting for soil as pollution in Beijing”, Environmental Science and Pollution Research, 2018, 25, 15597-15608.
Tutmez B, Hatipoglu Z, “Comparing two data driven interpolation methods for modeling nitrate distribution in aquifer”, Ecological Informatics, 2010, 5, 311-315.
Vienneau D, De Hoogh K, Briggs D, “A GIS-based method for modelling air pollution exposures across Europe”, Science of The Total Environment, 2009, 408, 255-266.
Yuval, Levy I, Broday DM, “Improving modeled air pollution concentration maps by residual interpolation”, Science of The Total Environment, 2017, 598, 780-788.