AI Summary & Key Takeaways
AI InsightAdditionally, it was found that SO₂ levels increased in zones characterized by high residential density, unplanned construction, and extensive coal use, whereas NO₂ concentrations were elevated in areas with intense vehicle traffic.
📌 3 Key Takeaways
Abstract
Investigating the causes of air pollution, a growing global problem, and implementing effective solutions are of great importance. This study aims to examine spatial dependencies using spatial clustering methods and to create pollution distribution maps based on key air pollutant parameters. An air pollution database was developed in a GIS environment using measurement location data and concentration values of sulfur dioxide (SO₂) and nitrogen dioxide (NO₂) collected from the city center of Afyonkarahisar, Turkey. Using this database, air pollution distribution maps were first generated with the Inverse Distance Weighted (IDW) interpolation method to identify spatial patterns across the study area. Spatial clusters were subsequently determined through autocorrelation analyses, including Global Moran’s I, Anselin Local Moran’s I, and Getis-Ord Gi statistics. According to the Global Moran’s I results, spatially significant clustering at the 99% confidence level with Moran’s I values of 0.31 for SO₂ and 0.28 for NO₂ during winter. The Anselin Local Moran’s I and Getis-Ord Gi analyses revealed high-significance clusters concentrated in the southwestern portion of the study area. Additionally, it was found that SO₂ levels increased in zones characterized by high residential density, unplanned construction, and extensive coal use, whereas NO₂ concentrations were elevated in areas with intense vehicle traffic. In terms of temporal variation, winter exhibited the highest concentrations of SO₂, while summer showed the highest concentrations of NO₂. These findings underscore the importance of spatial analysis for understanding pollution dynamics and for informing effective air quality management strategies.
Özet
Hızla büyüyen küresel bir sorun hâline gelen hava kirliliğinin nedenlerinin araştırılması ve etkili çözümlerin uygulanması büyük önem taşımaktadır. Bu çalışma, mekânsal kümeleme yöntemlerini kullanarak hava kirliliğine ilişkin mekânsal bağımlılıkları incelemeyi ve temel hava kirletici parametrelere dayalı hava kirliliği dağılım haritalarını oluşturmayı amaçlamaktadır. Bu kapsamda, Afyonkarahisar şehir merkezinden elde edilen lokasyon verileri ile kükürt dioksit (SO₂) ve azot dioksit (NO₂) konsantrasyon değerleri kullanılarak CBS ortamında bir hava kirliliği veri tabanı oluşturulmuştur. Bu veri tabanı yardımıyla, çalışma alanındaki mekânsal kirlilik paternlerini belirlemek amacıyla önce Ters Ağırlıklı Mesafe metoduyla dağılım haritaları üretilmiştir. Ardından, Global Moran’s I, Anselin Local Moran’s I ve Getis-Ord Gi istatistiklerini içeren mekânsal otokorelasyon testleri uygulanarak kirlilik kümelenmeleri belirlenmiştir. Global Moran’s I analizi, kış döneminde SO₂ için 0,31 ve NO₂ için 0,28 Moran’s I değerleriyle, %99 güven düzeyinde istatistiksel olarak anlamlı mekânsal kümelenmenin varlığını ortaya koymuştur. Anselin Local Moran’s I ve Getis-Ord Gi analizleri ise çalışma alanının güneybatı kesiminde yüksek anlamlılığa sahip kümelerin yoğunlaştığını ortaya koymuştur. Ayrıca, SO₂ seviyelerinin yüksek konut yoğunluğuna, plansız yapılaşmaya ve kömür kullanımının yaygın olduğu bölgelerde arttığı; NO₂ seviyelerinin ise araç trafiğinin yoğun olduğu alanlarda yükseldiği belirlenmiştir. Zamansal açıdan değerlendirildiğinde, en yüksek SO₂ konsantrasyonlarının kış mevsiminde, en yüksek NO₂ konsantrasyonlarının ise yaz mevsiminde görüldüğü sonucuna ulaşılmıştır. Bu bulgular, hava kirliliği dinamiklerinin anlaşılmasında mekânsal analizlerin önemini ve etkili hava kalitesi yönetimi için sağladığı katkıları vurgulamaktadır.