بررسی اثر تغییرات کاربری اراضی بر غلظت بعضی از آلاینده‌ها در منطقة صنعتی ماهشهر با استفاده از تصاویر سنجش از دور و تحلیل واریانس (ANOVA)

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 NO_X 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.

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). 

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:

در جایی که Z مقدار تخمینی است، λi وزن نمونۀ i است و Z (S_i) 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:

در رابطة بالا، i نشان‌دهندة هر کلاس کاربری و x دادة n بعدی (تعداد باندها) است،p(w_i)  احتمال اینکه w_i 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 w_i، Σi ماتریس معکوس آن و m_i 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)

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)

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)

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)

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.