سنجش آلودگی هوا با Sentinel-5P و AAI

نظارت از دور بر کیفیت هوا و آلودگی، به‌وسیله‌ی داده‌های ماهواره‌ای، از اهمیت بسیاری برخوردار است. یکی از منابع مهم داده‌های سنجش از دور، ماهواره‌ی سنتینل-5P می‌باشد که توسط اتحادیه اروپا و سازمان فضایی اروپا در تاریخ 13 اکتبر 2017 به فضا پرتاب شد. سنتینل-5P یکی از اعضای سیستم Copernicus می‌باشد که به منظور مانیتورینگ محیط‌زیست و مشاهده‌ی کیفیت هوا ایجاد شده است.

ابزار اصلی ماهواره‌ی سنتینل-5P، سنسور Tropomi (TROPOspheric Monitoring Instrument) است. این سنسور با دقت بالا، انواع آلودگی‌ها را در جو را اندازه‌گیری و ثبت می‌کند. اطلاعاتی که از طریق این سنسور جمع‌آوری می‌شود، شامل شاخص‌های هواشناسی از جمله دما، فشار هوا و رطوبت، پارامترهای شیمیایی مثل میزان اکسید نیتروژن و اکسید کربن، همچنین آئروسل‌ها و آلاینده‌های هوا می‌شود.

در مورد شاخص آئروسل UV (AAI) که توسط سنتینل-5P محاسبه می‌شود، باید گفت که این شاخص معیاری مفید برای تعیین حجم و نوع آئروسل‌ها در هواست. آئروسل‌ها از جمله غبار و دود، از قبیل آئروسل‌های جذب‌کننده‌ی اشعه‌های مادون قرمز هستند که باعث افزایش مقدار AAI می‌شوند. این معیار به‌عنوان یک ابزار مفید برای تحلیل تغییرات آئروسل‌ها به‌صورت زمانی و مکانی در جو مورد استفاده قرار می‌گیرد. افزایش مقادیر AAI می‌تواند نشان‌دهنده‌ی وقوع طوفان‌های گرد و خاک، پیامدهای آتش‌سوزی‌ها یا آثار آتشفشانی باشد.

سنتینل-5P به‌وسیله‌ی آزمون‌ها و ارزیابی‌های دقیق، از دقت بالایی برخوردار است. این ماهواره تصاویر با کیفیت بالا و تفکیک‌نمای بالا از سطح زمین تهیه می‌کند که امکان استفاده‌ی بهینه‌تر از اطلاعات ماهواره‌ای را فراهم می‌آورد. برای دستیابی به داده‌های سنتینل-5P و انجام محاسبات و تحلیل‌های مورد نیاز، یکی از ابزارهای قوی و کارآمد، سیستم Earth Engine است.

پلتفرم Google Earth Engine یا GEE

Google Earth Engine (GEE) یک پلتفرم محاسباتی قدرتمند در زمینه نظارت از دور است که توسط شرکت گوگل توسعه‌یافته است. این ابزار به‌صورت آنلاین در اختیار کاربران قرار داده شده است و امکان استفاده از داده‌های مختلف سنجش از دور و اجرای الگوریتم‌های مختلف بر روی آن‌ها را فراهم می‌آورد. GEE به‌وسیله‌ی ابزارها و توابعی که در آن وجود دارد، اجازه‌ی پردازش سریع و دقیق داده‌های ماهواره‌ای را می‌دهد و برای محاسباتی پیچیده، زمان کمتری نیاز دارد.

داده‌های ماهواره‌ای سنتینل-5P از طریق GEE قابلیت دسترسی سریع و آسان را به کاربران ارائه می‌کند. با استفاده از توابع مختلف GEE، می‌توان داده‌ها را به‌صورت زمانی و مکانی تحلیل کرده و تصاویر و نتایج موردنظر را از آن‌ها تهیه کرد. این امکانات به محققان، متخصصان محیط‌زیست و کاربرانی که به دنبال داده‌های دقیق و مفصل هستند، امکان انجام تحقیقات و مطالعات پیچیده‌تر را می‌دهد.

شاخص آئروسل UV (AAI)

داده‌های سنتینل-5P به‌وسیله‌ی الگوریتم‌های مختص به خود، اطلاعاتی مفصل و دقیق از کیفیت هوا را تهیه می‌کنند. یکی از پارامترهای مهم محاسبه شده توسط سنتینل-5P، شاخص آئروسل UV (AAI) است. این شاخص بر اساس تغییرات موج‌بندی شدگی ریلی در محدوده‌ی اولتراویلت (UV) به‌وجود می‌آید. اختلاف بین بازتاب مشاهده شده و بازتاب مدل‌شده، به‌عنوان مقدار باقی‌مانده AAI در نظر گرفته می‌شود.

شاخص آئروسل UV میزان حضور آئروسل‌ها در جو را نشان می‌دهد. آئروسل‌ها از قبیل غبار و دود از جمله آئروسل‌هایی هستند که به اشعه‌ی مادون قرمز حساسند و باعث افزایش مقدار AAI می‌شوند. این شاخص برای پیگیری تحولات پلوم‌های آئروسل ویژه‌ی مواردی همچون شروع وقوع طوفان‌های گرد و خاک، شهاب‌سنگ‌های آتشفشانی و آتش‌سوزی‌های جنگلی بسیار کارآمد است.

یکی از مزایای این شاخص این است که با استفاده از طول‌موج‌هایی با جذب پایین از اوزون، می‌تواند در حضور ابرها محاسبه شود و داده‌های روزانه‌ی جهانی را ممکن می‌سازد. به‌این ترتیب، امکان پیگیری تحولات بسته‌های آئروسل از جمله غبارهای صحرایی، خاک‌های آتشفشانی و دودهای ناشی از سوخت‌سوزی گیاهان در سطح کره‌ی زمین وجود دارد.

محاسبه‌ی شاخص آئروسل UV برای داده‌های سنتینل-5P به وسیله‌ی ترکیب دو مقدار بازتاب در طول‌موج‌های 354 نانومتر و 388 نانومتر انجام می‌شود. سپس با استفاده از الگوریتم‌های مناسب و ابزارهای تبدیل به مقیاس لایه‌ای، داده‌های محاسبه‌شده به‌صورت تصویر مختصری نمایش داده می‌شوند. در محاسبه‌ی AAI، مقادیر مختلفی از منفی تا مثبت وجود دارد که هر یک معنای خاصی را به‌خود می‌گیرند. مقادیر مثبت شاخص AAI نشان‌دهنده‌ی حضور آئروسل‌های جذب‌کننده‌ی اشعه‌های مادون قرمز (مثل غبار و دود) است. افزایش این مقادیر به‌معنای افزایش حجم ویژه‌ی آئروسل‌ها در جو می‌باشد که می‌تواند نشان‌دهنده‌ی وقوع طوفان‌های گرد و خاک، پیامدهای آتش‌سوزی‌ها یا آثار آتشفشانی باشد.

مقادیر منفی شاخص AAI به‌معنای حضور آئروسل‌هایی با جذب پایین مثل آئروسل‌های سولفاتی هستند. این آئروسل‌ها می‌توانند به‌عنوان غبار نرمال شناخته شوند و به‌طور معمول کیفیت هوا را تحت‌تأثیر نمی‌گذارند. در نتیجه، مقادیر کمتر از صفر معمولاً به‌عنوان کیفیت هوای خوب و مطلوب تلقی می‌شوند.

بررسی ۱۰ روزه شاخص آئروسل UV (AAI) در بازه ۱۰ روزه بر فراز شمال ایران با مرکزیت تهران

در دو تصویر زیر نتایج میانگین ده روزه شاخص آئروسل UV (AAI) از اول تا یازدهم مرداد در سال‌های ۱۴۰۲ تا سه سال قبل بر فراز شمال ایران با مرکزیت تهران انجام شده است. اگر فرض بر صحت کد تولید شده و اطلاعات ماهواره Sentinel-5P بزاریم، هماهنطور که مشاهده می‌کنید از ۱۳۹۹ تا امسال (۱۴۰۲) بر میزان ذرات غبار به شدت افزوده شده است. در این تصاویر محدود قم، نظرآباد، ساوه و اراک به شدت در این دوره زمانی نسبت به سال‌های قبل دارای شاخص آئروسل UV (AAI) بالاتری هستند. همچنین در شهر تهران نیز از ناحیه‌ی جنوبی آلودگی به سمت شما و مرکز شهر پیشرفته است.

‘ data-next-icon=’‘ data-makeresponsive=”true” data-startingposition=”50%”>

‘ data-next-icon=’‘ data-makeresponsive=”true” data-startingposition=”50%”>

بررسی ۱۰ روزه شاخص آئروسل UV (AAI) در بازه ۱۰ روزه بر فراز خلیج‌فارس، امارات و قطر

در دو تصویر زیر نتایج میانگین ده روزه شاخص آئروسل UV (AAI) از اول تا یازدهم مرداد در سال‌های ۱۴۰۲ تا سه سال قبل بر فراز بخشی از نواحی جنوبی ایران، امارات، قطر و عمان انجام شده است. اگر فرض بر صحت کد تولید شده و اطلاعات ماهواره Sentinel-5P بزاریم، هماهنطور که مشاهده می‌کنید از ۱۳۹۹ تا امسال (۱۴۰۲) بعد از افزایش شدید شاخص آئروسل UV (AAI) در سال ۱۴۰۰ این شاخص در سال ۱۴۰۲ وضعیت بهتری در بخش جنوبی خلیج همیشه فارس دارد. اما همچنان نواحی جنوبی ایران مانند آلوده‌تر شده است.

همچنین بنظر می‌رسد بر خلاف عمان و امارات که وضعیت بهتری در سال ۱۴۰۲ نسبت به سال قبل دارند، قطر در مدت مشابه سال ۱۴۰۲ شاخص آئروسل UV (AAI) بالاتری دارد.

‘ data-next-icon=’‘ data-makeresponsive=”true” data-startingposition=”50%”>

‘ data-next-icon=’‘ data-makeresponsive=”true” data-startingposition=”50%”>

بررسی میانگین ده روزه شاخص UV AAI

با استفاده از رابط کاربری The Earth Engine Code Editor در آدرس https://code.earthengine.google.com تکه کد زیر چهار لایه برای روی نقشه ایجاد می‌کند. این لایه‌ها بخش بزرگی از ایران، خاورمیانه و آسیای میانه را پوشش می‌دهد.

با توجه به محدودیت‌های نسخه رایگان GEE این کد داده‌ها را 10 روزه حساب می‌کند. با تغییر در کد می‌توانید بازه زمانی و دوره بررسی میانگین را نیز تغییر دهید. در صورتی که به Google Earth Engine دسترسی دارید می‌توانید نسخه آنلاین این اسکریپت را اینجا پیدا کنید.

				
					// Define the region of interest (ROI) for Tehran
var roi = ee.Geometry.Point(51.3890, 35.6892);
// Calculate the date for 50 days ago from today
var endDate = ee.Date('2023-08-04');
var startDate = endDate.advance(-10, 'day');
// Function to calculate UV mean for a given date range and ROI
var calculateUVMean = function(start, end, region) {
  var collection = ee.ImageCollection('COPERNICUS/S5P/NRTI/L3_AER_AI')
    .select('absorbing_aerosol_index')
    .filterDate(start, end)
    .filterBounds(region);
  return collection.mean();
};
// Calculate UV means for different periods
var uvMean10Days = calculateUVMean(startDate, endDate, roi);
// Calculate the same period from the previous year
var startDatePrevYear = startDate.advance(-1, 'year');
var endDatePrevYear = endDate.advance(-1, 'year');
var uvMeanPrevYear = calculateUVMean(startDatePrevYear, endDatePrevYear, roi);
// Calculate the same period from the last 2 years
var startDate2YearsAgo = startDate.advance(-2, 'year');
var endDate2YearsAgo = endDate.advance(-2, 'year');
var uvMean2YearsAgo = calculateUVMean(startDate2YearsAgo, endDate2YearsAgo, roi);
// Calculate the same period from the last 3 years
var startDate3YearsAgo = startDate.advance(-3, 'year');
var endDate3YearsAgo = endDate.advance(-3, 'year');
var uvMean3YearsAgo = calculateUVMean(startDate3YearsAgo, endDate3YearsAgo, roi);
// Visualize the UV means separately
var band_viz = {
  min: -1,
  max: 2.0,
  palette: ['black', 'blue', 'purple', 'cyan', 'green', 'yellow', 'red']
};
Map.addLayer(uvMean10Days, band_viz, 'UV Mean Last 10 Days');
Map.addLayer(uvMeanPrevYear, band_viz, 'UV Mean Previous Year');
Map.addLayer(uvMean2YearsAgo, band_viz, 'UV Mean Last 2 Years');
Map.addLayer(uvMean3YearsAgo, band_viz, 'UV Mean Last 3 Years');
// Set map center and zoom level
Map.setCenter(51.3890, 35.6892, 8);
// Print image information
print(uvMean10Days);
print(uvMeanPrevYear);
print(uvMean2YearsAgo);
print(uvMean3YearsAgo);
// Display analysis
print('Analysis:');
print('The UV Mean layers show the average UV index over different periods for the region of Tehran.');
print('Each layer corresponds to a different period:');
print('- UV Mean Last 50 Days: The average UV index over the last 10 days.');
print('- UV Mean Previous Year: The average UV index for the same period from the previous year.');
print('- UV Mean Last 2 Years: The average UV index for the same period from two years ago.');
print('- UV Mean Last 3 Years: The average UV index for the same period from three years ago.');
print('The color palette represents the UV index values, ranging from black (low) to red (high).');

				
			

با توجه به داده‌های ماهواره‌ای موجود از کد برنامه‌نویسی ارائه‌شده، می‌توان به نقد و تحلیل جزئیات مهم مرتبط با داده‌های Sentinel-5P NRTI AER AI پرداخت. این داده‌ها اطلاعات مفصلی را درباره شاخص UV Aerosol Index (AAI) در نزدیک به زمان واقعی فراهم می‌کنند. در ادامه متن، مفاهیم مرتبط با این داده‌ها و معنی اندازه‌گیری AAI به‌طور دقیق بررسی خواهد شد. همچنین، نحوه نمایش عددی این شاخص و مفهوم آن در محیط‌های مختلف به‌عنوان معیاری برای آلودگی هوا تشریح خواهد شد.

شاخص UV Aerosol Index (AAI) چیست؟

شاخص UV Aerosol Index (AAI) یا شاخص آئروسول جذب‌کننده نور مبتنی بر امواج فوق‌بنفش، یک معیار حساس به غلظت آئروسول‌ها در جو است. این شاخص بر اساس تغییرات بسته‌بندی‌های طیفی در دامنه فوق‌بنفش از طریق استفاده از جفت امواج داده می‌شود. محاسبه این شاخص با تفاوت بین بازتاب نور مشاهده شده و بازتاب نور مدل‌سازی‌شده برگرفته از پراکندگی ریلی در محدوده طیف UV انجام می‌شود. این شاخص به ویژه برای مشاهده تکامل برش‌های آئروسولی پراکنده مانند گرده گیاهان، خاک و دود، آشکارسازی و ردیابی آلودگی‌های هوا از رویدادهای مختلفی مانند انفجارهای آتشفشانی و احتراق بیابانی مفید است.

توجیه فراهم آوردن داده‌های Sentinel-5P NRTI AER AI

تامین داده‌های با کیفیت و دقیق محیط زیست و آب و هوا از اهمیت بسزایی برخوردار است. شاخص UV Aerosol Index یکی از ابزارهای کلیدی برای بررسی تنوع و تحولات میزان آئروسول‌ها در جوی بالا است. بطور معمول، این داده‌ها به‌صورت نزدیک به زمان واقعی (نزدیک به زمان جمع‌آوری داده‌ها) ارائه می‌شوند که امکان پیگیری سریع ترندهای آلودگی‌ها و رویدادهای آئروسولی قابل مشاهده است. این قابلیت برای کنترل کیفیت هوا و محیط زیست، برنامه‌های حفاظتی و مدیریت آلودگی هوا بسیار ارزشمند است.

مفهوم عددی AAI و نمایش آن

شاخص UV Aerosol Index دارای محدوده مقادیر عددی است که به‌طور معمول در مقیاس میانگین محاسبه می‌شود. این شاخص در محدوده عددی از -25 تا +39 قرار دارد. ارزش معمولی و معمول برای AAI صفر است. زمانی که مقدار AAI مثبت باشد، نشان‌دهنده وجود آئروسول‌های جذب‌کننده فوق‌بنفش مانند گرد و غبار و دود است. در صورتی که مقدار AAI منفی باشد، نشان‌دهنده وجود آئروسول‌های غیرجذب‌کننده فوق‌بنفش از قبیل آئروسول‌های سولفاتی است. استفاده از پالت متفاوت در نمایش AAI نقش مهمی در تفسیر معنای این شاخص دارد. در کد ارائه‌شده، از یک پالت رنگی با دامنه از سیاه تا قرمز برای نمایش AAI استفاده شده است. این پالت، با توجه به محدوده عددی این شاخص، اجازه می‌دهد که میزان آلودگی‌های هوا و تغییرات آن‌ها به‌طور واضح و قابل‌مشاهده تحلیل شوند. به‌عبارت دیگر، با دیدن رنگ‌های مختلف در نقشه، می‌توان اطلاعات مربوط به میزان آلودگی را از نقاط مختلف زمین به‌دست آورد.