Estimation and Detection of Air Pollution in the Coastal Provinces of the Persian Gulf with a Regional Climate Approach

Document Type : Research Article

Authors

Ata ghafari Gilandeh ¹

Vahid Safarian Zengir ²

¹ Professor, Department of Geography and Urban Planning, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran

² PhD, Department of Physical Geography, Climatology, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran

10.22067/geoeh.2022.78950.1282

Abstract

One of the most important atmospheric challenges in recent decades in metropolitan areas is air pollution, which is caused by various natural and human factors and has harmful impacts on humans and the environment. Accordingly, investigating air pollution is important and necessary. For estimating the amount of carbon monoxide and nitrogen dioxide, as well as water vapor in the atmosphere in southern and southwestern provinces in 2018-2019, the data of Sentinel-5 satellite images was used. The findings showed the maximum concentration of Co with the value of 0.037 mol/m^2 in April 2019, the maximum concentration of H₂O with the value of 3703 mol/m^2 in August 2019 and the maximum concentration of NO₂ with the value of 0.000188 mol/m^2 in November 2018. The maximum daily LST value was 324.5 degrees Kelvin in June 2019 and the maximum nighttime LST value was 302.5 degrees Kelvin in June 2019. The maximum thickness of the optical depth of aerosols with a value of 13.79 μg/m^3 at a wavelength (0.47 μm) was in July 2019 and its lowest value with a value of 1.57 μg/m^3 in a wavelength of (55 /0 μm) was in November 2018. The results of temporal and spatial monitoring of CO, NO2, H2O, LST and AOD values give the possibility of a more concrete understanding of spatial and temporal changes of the examined components on a regional macro scale.

Graphical Abstract

Keywords

Atmospheric Pollutants

Carbon Monoxide

Nitrogen Dioxide

Aerosols

Sentinel-5

MODIS

20.1001.1.23221682.1402.12.2.5.6

---

References

باقرآبادی، رسول؛ معین‌الدینی، مظاهر؛ 1400. بررسی روند ازون تروپوسفری شهر کرمانشاه در بازه‌ ۱۰ ساله با استفاده از پارامترهای هواشناسی، پیش‌سازهای ازون و تصاویر سنجنده OMI. تحلیل فضایی مخاطرات محیطی. شماره 4. 16-1.

https://jsaeh.khu.ac.ir/browse.php?a_code=A-10-1216-1&slc_lang=fa&sid=1

ثقفی، محمدعلی؛ علی­اکبری، عباسعلی؛ 1393. بررسی تغییرات شبانه‌روزی و فصلی باد و دمای هوا و آلاینده­های Co و PM10 در لایه سطحی جو شهر تهران. نشریه تحلیل فضایی مخاطرات محیطی. شماره 1. 34-17.

 http://jsaeh.khu.ac.ir/article-1-2312-fa.html

جهانی‌چهره‌برق، فاطمه؛ آخوندزاده‌هنزائی، مهدی؛ 1396. تخمین ضخامت نوری هواویزها بر روی منطقه ای از ایران با استفاده از تلفیق تصاویر سنجنده‌های MODIS سکوهای ماهواره ای TERRA و AQUA. فصلنامه علمی- پژوهشی اطلاعات جغرافیایی «سپهر». شماره 103. 81-71.

https://doi.org/10.22131/sepehr.2017.28894

سبحانی، بهروز؛ صفریان زنگیر، وحید؛ فیض‌اله‌زاده، سینا؛ 1399. مدل‏سازی و پیش‌‏بینی گرد و غبار در غرب ایران. پژوهش‌های جغرافیای طبیعی. شماره 1. 35-17.

https://doi.org/10.22059/jphgr.2020.284389.1007408

 سبحانی، بهروز؛ صفریان‌زنگیر، وحید؛ 1402. آشکار‌سازی و برآورد تغییراقلیم سال‌های آتی ایران. مطالعات علوم محیط‌زیست. شماره 4. 7243-7263.https://www.jess.ir/article_173142.html

سلطانی، طاهره؛ مفیدی، عباس؛ گندمگار، امیر؛ 1394. بررسی همدیدی روزهای بسیار آلوده در شهر مشهد (مورد مطالعه: 13 و 14 نوامبر 2007). نشریه تحلیل فضایی مخاطرات محیطی. شماره 4. 112-95.https://jsaeh.khu.ac.ir/article-1-2535-fa.html

سلیمانی، مسعود؛ ارگانی، میثم؛ پاپی، رامین؛ امیری، فاطمه؛ 1400. پیش‏بینی عمق نوری آئروسل ماهواره‌‏ای با استفاده از داده ‏کاوی پارامترهای اقلیمی. پژوهش‌های جغرافیای طبیعی. شماره 3. 333-319.https://doi.org/10.22059/jphgr.2021.318600.1007591

شاه‌محمدی، عاطفه؛ بیات، علی؛ مشهدی‌زاده‌ملکی، سعید؛ 1399. بررسی رفتار دی‌اکسید نیتروژن در شهرستان مشهد و ارتباط آن با پارامترهای هواشناسی. تحقیقات کاربردی علوم جغرافیایی. شماره 58. 85-71.http://dorl.net/dor/20.1001.1.22287736.1399.20.58.4.9

شاه‌محمدی، عاطفه؛ بیات، علی؛ مشهدی‌زاده‌ملکی، سعید؛ 1401. بررسی آلودگی هوای شهر اصفهان براساس آلاینده دی‌اکسید نیتروژن اندازه‌گیری شده با سنجنده اُمی. تحقیقات کاربردی علوم جغرافیایی. شماره 67. 55-41.http://dorl.net/dor/20.1001.1.22287736.1401.22.67.6.3

شمس‌الدینی، علی؛ احمدی، وانکو؛ 1399. تخمین مکانی – زمانی آلاینده‌های منواکسید کربن و دی‌اکسید نیتروژن شهر تهران مبتنی بر داده‌های حاصل از سنجش‌ازدور و داده‌های کمکی. جغرافیا و پایداری محیط. شماره 3. 124-107.https://dx.doi.org/10.22126/ges.2020.4227.2057

شمسی‌پور، علی­اکبر؛ امینی، ژاوان؛ 1392. شبیه­سازی الگوی پراکنش Co با مدل خرد اقلیمی Envi-met در مسیر آزادی – تهران پارس. جغرافیا و مخاطرات محیطی. شماره 7. 103-85.https://doi.org/10.22067/geo.v0i0.23588

عربی‌علی‌آباد، فهیمه؛ زارع، محمد؛ غفاریان‌مالمیری، حمیدرضا؛ 1400. مقایسۀ دقت روش‌های مختلف تخمین بخار آب جو در برآورد دمای سطح زمین با استفاده از تصاویر ماهوارۀ‌ لندست 8. مدیریت بیابان. شماره 1. 34-15.https://dx.doi.org/10.22034/jdmal.2021.244523

عزیزی، قاسم؛ قنبری، حسین‌علی؛ 1389. شبیه‌سازی عددی رفتار آلودگی هوای تهران براساس الگوی باد. پژوهش‌های جغرافیای طبیعی، شماره 68. 32-15.https://jphgr.ut.ac.ir/article_21493.html

عساکره، حسین؛ احدی، لیلا؛ 1399. بررسی رابطۀ تیپ‌های هوایی تبریز و آلودگی هوا. پژوهش‌های جغرافیای طبیعی. شماره 3. 394-375.https://dx.doi.org/10.22059/jphgr.2020.272960.1007326

غریبی، شیوا؛ شایسته، کامران؛ 1400. کاربرد تصاویر ماهواره ای سنتینل ۵ در شناسایی کانون‌های آلاینده‌های هوا در ایران. تحلیل فضایی مخاطرات محیطی. شماره 3. 138-123.https://jsaeh.khu.ac.ir/browse.php?a_id=3117&sid=1&slc_lang=fa&ftxt=0

قربانی، رضوان؛ مباشری، محمدرضا؛ رحیم­زادگان، مجید؛ 1391. روش سریع در برآورد غلظت ذرات معلق با استفاده از سنجنده مودیس در تهران، مجله پژوهشی حکیم. شماره 2. 177-166.https://hakim.tums.ac.ir/article-1-1019-fa.html

کابلی‌زاده، مصطفی؛ رنگزن، کاظم؛ محمدی، شاهین؛ 1397. کاربرد تلفیق تصاویر ماهواره­ای لندست- 8 و سنتینل -2 در پایش محیطی. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی. شماره 3. 71-53.https://girs.bushehr.iau.ir/article_544815.html

کرم‌پور، مصطفی؛ خاموشیان، یگانه؛ حیدری، حامد؛ امرایی، فاطمه؛ 1400. نقش عوامل محیطی و اقلیمی بر انتقال و انتشار آلاینده ی منواکسید کربن کشور ایران در سال ۲۰۱۸. تحلیل فضایی مخاطرات محیطی. شماره 2. 190- 179.https://jsaeh.khu.ac.ir/browse.php?a_id=3154&sid=1&slc_lang=fa&ftxt=0

لشکری، حسن؛ کیخسروی، قاسم؛ کریمیان، ندا؛ 1399. بررسی الگوهای همدیدی آلودگی‌های شدید هوا، در لایه وردسپهر زیرین کلان‌شهر تهران. جغرافیا و مخاطرات محیطی. شماره 3. 20-1.https://doi.org/10.22067/geo.v9i3.87260

مرادی‌زاده، مینا؛ 1399. ارتقای توان تفکیک مکانی بخار آب ستونی جو، به‌دست‌آمده از سنجندة AIRS، برای بهبود دقت بازیابی دمای سطح خاک. نشریه سنجش از دور و GIS ایران. شماره 3. 46-37.https://dx.doi.org/10.52547/gisj.12.3.37

مظفری، غلامعلی؛ نارنگی­فرد، مهدی؛ حقیقت‌ضیابری، مرضیه؛ 1394. تحلیل رابطه الگو­های همدید با میزان آلاینده ذرات معلق و منو اکسید کربن در شهر شیراز. جغرافیا و مخاطرات محیطی، شماره 14، 115-95.https://doi.org/10.22067/geo.v4i2.24849

ملاشاهی، مریم؛ علی‌محمدیان، حبیب؛ حسینی، سیدمحسن؛ ریاحی، علیرضا؛ فیضی، وحید؛ ستاریان، علی؛ 1391. پهنه‎بندی آلودگی هوا با استفاده از روش نوین مگنتومتری برگ‎های درختی گستره‎ی شهر تهران. پژوهش‌های جغرافیای طبیعی. شماره 3. 108-93.https://dx.doi.org/10.22059/jphgr.2012.29216

نورپور، علیرضا؛ فیض، محمد علی؛ 1393. تعیین تغییرات مکانی و زمانی آلاینده‌های گوگرد دی اکسید، نیتروژن دی اکسید و انواع ذرات معلق با استفاده از تکنیک‌های GIS در تهران. محیط شناسی. شماره 3، 738-723.https://dx.doi.org/10.22059/jes.2014.52216

 

Anand P, Mina U, Khare M, Kumar P, Kota S.H., 2022. Air pollution and plant health response-current status and future directions. Atmospheric Pollution Research 13(8): 101508. https://doi.org/10.1016/j.apr.2022.101508.

Barkley M.P, González Abad, G, Kurosu T.P, Spurr R, Torbatian S, Lerot C., 2017. OMI airquality monitoring over the Middle East. Atmospheric Chemistry and Physics 17(7): 4687-4709. https://doi.org/10.5194/acp-17-4687-2017.

Bodah B.W, Neckel A, Maculan L.S, Milanes C.B, Korcelski C, Ramírez O, Mendez-Espinosa J.F., Bodah E.T, Oliveira M.L.S., 2022. Sentinel-5P TROPOMI satellite application for NO2 and CO studies aiming at environmental valuation.NJournal of Cleaner Production 357: 131960. https://doi.org/10.1016/j.jclepro.2022.131960.

Hu T, Yoshie R., 2020. Effect of atmospheric stability on air pollutant concentration and its generalization for real and idealized urban block models based on field observation data and wind tunnel experiments. Journal of Wind Engineering and Industrial Aerodynamics 207: 104380. https://doi.org/10.1016/j.jweia.2020.104380.

Ibbetson A, Symonds P, Hutchinson E., 2020. Data to support small area health impact modelling of air pollution in the United Kingdom. Data in brief 29: 105148.

      https://doi.org/10.1016/j.dib.2020.105148

Islam N, Saikia K. B., 2022. An overview on atmospheric carbonaceous particulate matter into carbon nanomaterials: A new approach for air pollution mitigation. Chemosphere 303 (2): 135027. https://doi.org/10.1016/j.chemosphere.2022.135027.

Kovács A, Leelőssy Á, Tettamanti T, Esztergár-Kiss D, Mészáros R, Lagzi, I., 2021. Coupling traffic originated urban air pollution estimation with an atmospheric chemistry model. Urban Climate 37: 100868. https://doi.org/10.1016/j.uclim.2021.100868.

Lamsal, L.N, Duncan B.N, Yoshida Y, Krotkov NA, Pickering k.E, Streets D.G, Lu Z., 2015. US NO2 trends (2005-2013): EPA Air Quality System (AQS) data versus improved observations from the Ozone Monitoring Instrument (OMI). Atmospheric Environment 110: 130-143. https://doi.org/10.1016/j.atmosenv.2015.03.055

Li C, Liu M, Hu Y, Wang H, Xiong Z, Wu W, Liu C, Zhang C, Du Y., 2022. Investigating the vertical distribution patterns of urban air pollution based on unmanned aerial vehicle gradient monitoring. Sustainable Cities and Society 86:104144.

     https://doi.org/10.1016/j.scs.2022.104144.

Omrani H, Omrani B, Parmentier B, Helbich M., 2020. Spatio-temporal data on the air pollutant nitrogen dioxide derived from Sentinel satellite for France. Data in brief 28: 105089. https://doi.org/10.1016/j.dib.2019.105089

Ravindra K., Kaur-Sidhu M, Mor S., 2020. Air Pollution in Rural Households Due to Solid Biomass Fuel Use and Its Health Impacts. In: Sharma A, Goyal R, Mittal R, (eds) Indoor Environmental Quality. Lecture Notes in Civil Engineering 60:  Springer, Singapore. https://doi.org/10.1007/978-981-15-1334-3_4

Rohi G, Ejofodomi O, Ofualagba G., 2020. Autonomous monitoring, analysis, and countering of air pollution using environmental drones. Heliyon 6(1): e03252.

     https://doi.org/10.1016/j.heliyon.2020.e03252

Safarianzengir V, Sobhani B, Yazdani M.H, M Kianian., 2020. Monitoring, analysis and spatial and temporal zoning of air pollution (carbon monoxide) using Sentinel-5 satellite data for health management in Iran, located in the Middle East. Air Qual Atmos Health 13: 709–719. https://doi.org/10.1007/s11869-020-00827-5

Schneider P, Lahoz W.A, Vander A.R., 2015. Recent satellite-based trends of tropospheric nitrogen dioxide over large urban agglomerations worldwide. Atmospheric Chemistry and Physics 15(3): 1205-1220. https://doi.org/10.5194/acp-15-1205-2015.

Sobhani B,  Safarian Zengir V., 2020. Monitoring and prediction of drought using TIBI fuzzy index in Iran. Caspian Journal of Environmental Sciences, 18(3): 237-250. https://doi.org/10.22124/cjes.2020.4136

Sobhani B, Safarian Zengir V,  Faizollahzadeh S., 2020. Modeling and Prediction of Dust in Western Iran. Physical Geography Research Quarterly, 52(1): 17-35. (In persian). https://doi.org/10.22059/jphgr.2020.284389.1007408

Sobhani B, Safarian Zengir, V., 2024. Obviousization and estimation of climate change in the coming years of Iran. Journal of Environmental Science Studies, 8(4): (In persian). https://www.jess.ir/article_173142.html?lang=en

Song J, Stettler M.E.J., 2022. A novel multi-pollutant space-time learning network for air pollution inference. Science of The Total Environment 811: 152254.

 https://doi.org/10.1016/j.scitotenv.2021.152254.

Tao M, Gui L, Li R, Wang L, Liang S, Li Q, Wang L, Yu C, Chen L., 2021. Tracking prevailing dust aerosol over the air pollution in central China with integrated satellite and ground observations. Atmospheric Environment 253: 118369.

     https://doi.org/10.1016/j.atmosenv.2021.118369.

Wallace J, Kanaroglou P., 2009. The sensitivity of OMI-derived nitrogen dioxide to boundary layer temperature inversions. Atmospheric Environment 43: 3596–3604.

     https://doi.org/10.1016/j.atmosenv.2009.03.049