دانشگاه شهید بهشتی فصلنامه علمی توسعه پایدار محیط جغرافیایی 2476-5805 8 17 2026 06 22 Prioritizing Human-Demographic and Environmental Factors in Modeling the Increasing Trend of PM2.5 using Machine Learning Models (Case Study: Isfahan) اهمیت عوامل انسانی-جمعیتی و محیطی مؤثر در مدلسازی روند افزایشی PM2.5 با استفاده از مدل‌های یادگیری ماشین (مطالعه موردی: اصفهان) 90 109 107016 10.48308/sdge.2026.243936.1306 FA علی باقری گروه جغرافیا، واحد یادگام امام خمینی (ره) شهرری، دانشگاه آزاد اسلامی، تهران، ایران 0009-0004-3821-1863 علی شمس الدینی گروه جغرافیا، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران 0000-0001-9757-4331 علی سیستانی پور گروه جغرافیا، واحد یادگام امام خمینی (ره) شهرری، دانشگاه آزاد اسلامی، تهران، ایران 0000-0002-2930-8856 Journal Article 2026 04 14 Introduction: Suspended particles with a diameter of less than 2.5 microns have a remarkable contribution to air pollution and human health. These particulate matters are among the most critical air pollutants with severe impacts on human health. Due to the importance of these particles, this study aimed to model the increasing trend of PM2.5 concentrations in Isfahan, as one of Iran's metropolises, using machine learning models, and to determine the contribution of environmental and human-demographic factors influencing it over 24 years (2001-2024). Materials and Methods: Initially, using ground-based data of PM2.5 from 12 air pollution monitoring stations and satellite-derived Aerosol Optical Depth (AOD) images (MCD19A2 product from MODIS), monthly PM2.5 images were estimated for the entire city of Isfahan through linear regression modeling. The Mann-Kendall trend test was then applied in TerrSet software to determine the monthly trend of PM2.5 changes over the 24 years. Based on the results, six months, including April, May, June, August, October, and March, which showed the highest percentage of area with an increasing trend, were selected as the study months. For modeling the increasing trend of PM2.5 using machine learning models including the Random Forest (RF), Support Vector Machine (SVM), and Boosted Regression Trees (BRT) in RStudio. Validation was performed using the Receiver Operating Characteristic (ROC) curve and Area Under the Curve (AUC), while factor prioritization was conducted using Jackknife sensitivity analysis. Results and Discussion: Trend analysis revealed that June (81.16% of the area), April (78.07%), August (71.41%), May (52.91%), October (45.72%), and March (40.68%) exhibited the largest spatial extent of increasing PM2.5 trends, respectively. This indicates that while air pollution has increased across all seasons, the intensity is more pronounced during the warm months and early spring, potentially due to higher temperatures, intensified photochemical reactions, and dust phenomena. The highest modeling accuracy, with an AUC value of 0.9, was for the SVM model in August, which indicates the high ability of this model to identify complex and nonlinear patterns governing air pollution in this month. Also, according to the Jackknife sensitivity analysis, temperature emerged as the most dominant variable in five out of six months (except October). This confirms temperature's critical role in shaping air pollution through its influence on atmospheric stability, photochemical reactions, and secondary particle formation. Conclusion: This study, integrating ground-based PM2.5 data with satellite AOD imagery and employing machine learning models coupled with Jackknife sensitivity analysis, successfully identified spatial-temporal pollution patterns and their driving factors in Isfahan. The results demonstrate that while environmental variables, particularly temperature, are fundamental in increasing the trend of PM2.5, human-demographic factors such as industry, traffic, agriculture, and population concentration constitute the primary source of emissions and play a decisive, sometimes dominant, role in increasing PM2.5 concentrations. Based on these findings, it is recommended that new industries be established with appropriate buffer zones, preferably downwind of the prevailing wind. Strict monitoring of existing industrial stacks and mandatory adoption of emission reduction technologies are essential. Given the significant role of roads, especially in June and October, developing clean public transportation, expanding low-traffic zones, and enforcing stringent vehicle emission inspections should be prioritized. Prohibiting agricultural residue burning and promoting conservation agriculture are crucial measures. Increasing green spaces with native, drought-resistant species in high-population-density areas and near industrial zones is suggested as a strategy for particulate matter absorption. Finally, any urban development policies must incorporate environmental considerations aimed at reducing population concentration in critical, high-pollution areas. مقدمه: ذرات معلق با قطری کمتر از ۲٫۵ میکرون سهم قابل توجهی در آلودگی هوا و سلامت انسان دارند. این ذرات معلق از مهم‌ترین آلاینده‌های هوا با پیامدهای شدید برای سلامت انسان به شمار می‌روند. با توجه به اهمیت این ذرات، این مطالعه با هدف مدل‌سازی روند افزایشی غلظت PM2.5 در شهر اصفهان، به عنوان یکی از کلان‌شهرهای ایران، با استفاده از مدل‌های یادگیری ماشین و تعیین سهم عوامل محیطی و انسانی ـ جمعیتی مؤثر بر آن در بازه زمانی ۲۴ ساله (۲۰۰۱ تا ۲۰۲۴) انجام شد. مواد و روش‌ها: در ابتدا، با استفاده از داده‌های زمینی PM2.5 از ۱۲ ایستگاه پایش آلودگی هوا و تصاویر عمق نوری آئروسل (AOD) استخراج‌شده از ماهواره (محصول MCD19A2 از MODIS)، تصاویر ماهانه PM2.5 برای کل شهر اصفهان از طریق مدل‌سازی رگرسیون خطی برآورد شد. سپس آزمون روند من–کندال در نرم‌افزار TerrSet برای تعیین روند ماهانه تغییرات PM2.5 طی ۲۴ سال به کار گرفته شد. بر اساس نتایج، شش ماه شامل آوریل، مه، ژوئن، اوت، اکتبر و مارس که بیشترین درصد مساحت با روند افزایشی را نشان دادند، به عنوان ماه‌های مطالعه انتخاب شدند. برای مدل‌سازی روند افزایشی PM2.5 از مدل‌های یادگیری ماشین شامل جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM) و درختان رگرسیون تقویت‌شده (BRT) در نرم‌افزار RStudio استفاده شد. اعتبارسنجی با استفاده از منحنی مشخصه عملکرد گیرنده (ROC) و مساحت زیر منحنی (AUC) انجام گرفت، در حالی‌که اولویت‌بندی عوامل با استفاده از تحلیل حساسیت Jackknife صورت پذیرفت. نتایج و بحث: تحلیل روند نشان داد که به ترتیب ماه‌های ژوئن (۸۱٫۱6% از مساحت)، آوریل (۷۸٫۰7%)، اوت (۷۱٫۴1%)، مه (۵۲٫۹1%)، اکتبر (۴۵٫۷2%) و مارس (۴۰٫۶8%) بیشترین گستره مکانی روند افزایشی PM2.5 را نشان داده‌اند. این موضوع بیانگر آن است که اگرچه آلودگی هوا در تمام فصول افزایش یافته است، شدت آن در ماه‌های گرم و اوایل بهار بیشتر است که احتمالاً به دلیل دماهای بالاتر، تشدید واکنش‌های فتوشیمیایی و پدیده‌های گرد و غبار است. بیشترین دقت مدل‌سازی با مقدار AUC برابر با ۰٫۹ مربوط به مدل SVM در ماه اوت بود که نشان‌دهنده توانایی بالای این مدل در شناسایی الگوهای پیچیده و غیرخطی حاکم بر آلودگی هوا در این ماه است. همچنین بر اساس تحلیل حساسیت Jackknife، دما به عنوان غالب‌ترین متغیر در پنج ماه از شش ماه (به جز اکتبر) شناخته شد. این امر نقش حیاتی دما را در شکل‌گیری آلودگی هوا از طریق تأثیر آن بر پایداری جو، واکنش‌های فتوشیمیایی و تشکیل ذرات ثانویه تأیید می‌کند. نتیجه‌گیری: این مطالعه با تلفیق داده‌های زمینی PM2.5 با تصاویر ماهواره‌ای AOD و به‌کارگیری مدل‌های یادگیری ماشین همراه با تحلیل حساسیت Jackknife، الگوهای زمانی ـ مکانی آلودگی و عوامل محرک آن‌ها را در شهر اصفهان با موفقیت شناسایی کرد. نتایج نشان می‌دهد که اگرچه متغیرهای محیطی، به‌ویژه دما، نقش بنیادی در افزایش روند PM2.5 دارند، اما عوامل انسانی ـ جمعیتی مانند صنعت، ترافیک، کشاورزی و تمرکز جمعیت به عنوان منابع اصلی انتشار عمل کرده و نقشی تعیین‌کننده و گاهی غالب در افزایش غلظت PM2.5 ایفا می‌کنند. بر اساس این یافته‌ها، توصیه می‌شود استقرار صنایع جدید با رعایت حریم مناسب و در اولویت پایین‌دست جریان باد غالب انجام شود. همچنین نظارت بر خروجی دودکش‌های صنایع موجود و الزام به استفاده از فناوری‌های کاهش آلاینده‌ها به صورت الزامی صورت گیرد. با عنایت به نقش تراکم و فاصله از جاده‌ها به‌ویژه در ماه‌های خرداد و مهر، توسعه حمل‌ونقل عمومی پاک، گسترش مناطق کم‌ترافیک و تشدید معاینه فنی خودروها باید در اولویت قرار گیردد. با توجه به اهمیت فاصله از اراضی کشاورزی، ممنوعیت سوزاندن بقایای گیاهی و ترویج کشاورزی حفاظتی می‌تواند مؤثر باشد. همچنین افزایش فضای سبز با گونه‌های بومی و مقاوم به خشکی در نواحی با تراکم جمعیت بالا و نزدیک به مراکز صنعتی، به عنوان راهکاری برای جذب ذرات معلق پیشنهاد می‌شود. در نهایت، با توجه به نقش تراکم جمعیت، هرگونه سیاست‌گذاری در زمینه توسعه شهری باید با ملاحظات زیست‌محیطی و با هدف کاهش تمرکز جمعیت در مناطق بحرانی همراه باشد.

https://egsdejournal.sbu.ac.ir/article_107016_fe5854bf3b7a7a5a8de713825e3e3dfd.pdf