چکیده

:

اندونزی به عنوان یکی از عوامل مهم زباله های پلاستیکی در محیط زیست دریایی، در تلاش است تا یک استراتژی ملی برای کاهش زباله های پلاستیکی ایجاد کند. از این رو، هدف اصلی این مطالعه ایجاد مدلی برای مقدار زباله های پلاستیکی منشأ گرفته از سرزمین اصلی، انباشته شده در مصب است. این با جمع‌آوری داده‌های پایه دفع پلاستیک دریایی از سرزمین اصلی از طریق زمینه‌سازی جامع داده‌های تولید شده توسط فناوری سنجش از دور و تجزیه و تحلیل فضایی به دست آمد. پارامترهای مورد استفاده در این مطالعه شامل تولید زباله پلاستیکی، پوشش زمین، توزیع جمعیت و شناسایی فعالیت های انسانی است. سپس از این پارامترها برای تولید شاخص دفع زباله های پلاستیکی استفاده شد. یعنی توزیع زباله از سرزمین اصلی، از رودخانه جاری می شود و در نهایت در خور انباشته می شود. توزیع زباله های پلاستیکی بر اساس روش وزن دهی و تجزیه و تحلیل همپوشانی بین زمین و مناطق ساحلی محاسبه می شود. نتایج نشان می دهد که 0.6 درصد از اندونزی، از جمله کلان شهرها، بیشترین تولید زباله های پلاستیکی را به خود اختصاص داده اند. نشان‌دهنده انتشار پلاستیک در اقیانوس با توسعه سه سناریوی مختلف با بالاترین برآورد 11.94 تن به صورت روزانه در یک منطقه شهری، که به عنوان مطالعه پایه برای تعیین منطقه اولویت برای مدیریت زباله‌های پلاستیکی در نظر گرفته شده است.

 

1. مقدمه

به دلیل دوام، مواد پلاستیکی به طور گسترده در سراسر جهان برای ساده کردن زندگی انسان ها استفاده می شود [ 1 ]. بر اساس مدیریت جریان مواد، زباله‌های پلاستیکی از تولید دسته‌بندی می‌شوند و با تخلیه به محیط‌زیست به سوء مدیریت ختم می‌شوند [ 2 ]. در زمینه ضایعات پلاستیکی بد مدیریت شده، تولید انبوه پلاستیک که در ابتدا انتظار می رفت مزایای قابل توجهی داشته باشد، به تهدیدی جدی برای زیست کره تبدیل شده است. در واقع، مطالعه‌ای توسط گال و تامپسون [ 3 ] گزارش می‌دهد که زباله‌های پلاستیکی تصفیه‌نشده نزدیک به 700 گونه از حیات دریایی را در دو دهه گذشته تهدید می‌کنند، که پیش‌بینی می‌شود با تخلیه مداوم زباله‌های پلاستیکی در اقیانوس‌ها همچنان افزایش یابد.
محیط های دریایی منابع طبیعی برای بیش از 3.5 میلیارد نفر روی زمین هستند که برای امرار معاش به آنها وابسته هستند [ 4 ]. مطالعات نشان می دهد که میزان زباله های پلاستیکی ورودی به دریا تقریباً 1.51-2.4 میلیون تن در سال است [ 5 ]. مطالعه دیگری گزارش داد که تا سال 2013، تقریباً 5.25 تریلیون ذره پلاستیکی یا 268940 تن پلاستیک به عنوان زباله های پلاستیکی در اقیانوس های جهان انباشته شده است [ 6 ]. بخش بزرگی (80-90٪) از زباله های پلاستیکی دریایی از فعالیت های انسانی در خشکی تولید می شود که متعاقباً از طریق رودخانه ها به دریا می ریزد [ 7 ]]. اگر استفاده از پلاستیک به افزایش خود ادامه دهد، با شرایط فعلی جابجایی زباله های پلاستیکی یا سناریوی “تجارت به طور معمول”، تقریباً 33 میلیارد تن پلاستیک تا سال 2050 روی زمین انباشته خواهد شد [ 8 ]. در همین حال، پیش بینی شده است که تا سال 2060، مقدار کل پلاستیک مدیریت نشده از 155 به 265 تن متریک سه برابر خواهد شد [ 5 ].
اندونزی نقش مهمی در معضل جهانی زباله های پلاستیکی دارد. بر اساس تحقیقات در مورد جریان زباله های پلاستیکی ریخته شده به دریا، اندونزی پس از چین دومین شرکت کننده بزرگ در دفع زباله های پلاستیکی در سراسر جهان است [ 9 ]. آلودگی زباله های پلاستیکی به یک تهدید مهم برای اکوسیستم های دریایی [ 10 ، 11 ] با ویژگی های بسیار پایدار تبدیل شده است، زیرا پلاستیک به راحتی تجزیه نمی شود و بیش از صد سال باقی می ماند [ 12 ]. آلودگی پلاستیک شامل ذرات میکرو و نانو اندازه تجزیه شده است که در مدت زمان کوتاهی تولید می شوند [ 13 ]. در نتیجه، این آلودگی می تواند به طور مستقیم با سلامت موجودات زنده از طریق زنجیره غذایی تداخل کند [ 14 ]]، باعث تغییر شکل، ناتوانی، خفگی و مرگ می شود [ 15 ، 16 ]. علاوه بر این، پلاستیک‌ها می‌توانند مواد شیمیایی سمی را در محیط آزاد کنند و بر حیات دریایی تأثیر بگذارند [ 13 ، 17 ، 18 ]. با این حال، آلودگی پلاستیکی دریایی نه تنها مستقیماً بر زندگی دریایی تأثیر می گذارد، بلکه بر صنعت ماهیگیری، گردشگری و مشاغل محلی تأثیر منفی می گذارد [ 19 ، 20 ، 21 ].
رشد جمعیت، پیشرفت‌های اقتصادی، اقدامات موجود برای رسیدگی به زباله‌های پلاستیکی و کاهش زباله‌های پلاستیکی باعث ایجاد مشکلات شدید مدیریت زباله‌های پلاستیکی در اندونزی شده است. به طور خاص، مطالعه Pravettoni [ 22 ] بیان می کند که اندونزی دارای عدم تعادل در نسبت زباله های پلاستیکی شهری (MPW) و تولید پلاستیک است، با نسبت 5:1، که اندونزی را به یکی از کشورهای کمک کننده در زمینه زباله های پلاستیکی دریایی تبدیل می کند. علاوه بر این، تحقیقاتی که به بررسی تأثیر هر کشور ساحلی بر تولید زباله‌های پلاستیکی می‌پردازد، گزارش کرده است که اندونزی سالانه 0.48 تا 1.29 میلیون تن زباله پلاستیکی دریایی را وارد می‌کند [ 23 ].]. مطالعه دیگری چهار رودخانه را به عنوان متداول ترین رسانه ای که توسط آن زباله های پلاستیکی در اندونزی دفع می شود، شناسایی کرد، یعنی رودخانه برانتاس، رودخانه سولو، رودخانه سرایو و رودخانه پروگو [ 5 ]. رودخانه برانتاس دارای بالاترین ارزش دفع پلاستیک است که به 6.37 × 104 تن در سال می رسد [ 5 ]. بر اساس گزارش زنجیره غذایی اندونزی، زباله های پلاستیکی سموم، زباله های پلاستیکی مدیریت نشده در اندونزی به دلیل وجود زباله های پلاستیکی در رودخانه، تأثیر منفی بر تولید مواد غذایی در صنعت طیور و تخم مرغ داشته است و سیستم آب را آلوده کرده است [ 24 ].]. با توجه به پیچیدگی مدیریت زباله های پلاستیکی مرتبط با موقعیت اندونزی در اقیانوس، تلاشی یکپارچه برای بهبود آن و به حداقل رساندن تولید زباله پلاستیکی مورد نیاز است. بنابراین، تلاش سیستماتیک توسط همه ذینفعان برای حل این موضوع مورد نیاز است.
اندونزی متعهد شده است که تا سال 2025 زباله های پلاستیکی خود را تا 70 درصد کاهش دهد [ 25 ]. بر این اساس، وزارت محیط‌زیست و جنگل‌داری اندونزی [ 26 ] یک استراتژی مدیریت زباله‌های دریایی سطحی و یکپارچه برای مدیریت پسماند در زمین، آب و مناطق ساحلی، با پشتیبانی تحقیقات و نوآوری و فناوری مکان‌محور را توصیف کرده است. یکی از سیاست ها، در میان بسیاری، برای به حداقل رساندن تولید پلاستیک، مالیات شدید از کاربران پلاستیک [ 27 ] در تلاش برای حمایت از اهداف توسعه پایدار سازمان ملل است [ 28 ].
چندین مطالعه توزیع منابع زباله پلاستیکی در اقیانوس را با استفاده از مدل‌سازی به عنوان یک استراتژی بر اساس تخمین زباله‌های پلاستیکی تخلیه شده از طریق مصب رودخانه، تحلیل کرده‌اند. به عنوان مثال، مطالعه ای توسط Jambeck و همکاران. [ 23 ] تهدید بالقوه جهانی ناشی از زباله های پلاستیکی در مصب اقیانوس ها را در سال 2010 تخمین زدند. برای رسیدن به این هدف، آنها داده های پیش بینی رشد جمعیت را برای سه دوره به کار بردند که با داده های هیدرولوژیکی برای پیش بینی جریان زباله ادغام شد. علاوه بر این، آنها پارامترهای رشد اقتصادی کشور را در مدل خود که با حجم پلاستیک دریایی مرتبط است، وارد کردند. علاوه بر این، لبروتون و همکاران. [ 6] زباله های پلاستیکی را با ادغام یک مدل جهانی در سطح کشور با توزیع و پیش بینی های بلندمدت داده های جمعیت و همچنین تولید ناخالص داخلی (GDP) محاسبه کرد. رویکرد پارامترهای اجتماعی-دموگرافیک در این مطالعه از داده‌های اطلس زباله [ 29 ] از سال 2016 استفاده کرد. در واقع، استفاده از داده‌های جمعیت‌شناختی اجتماعی در مطالعات قبلی، از جمله مطالعات کوزار و همکاران، پشتیبانی می‌شود. [ 30 ]، موی و همکاران. [ 31 ] و Cordova و Nurhati [ 32 ] که افزایش زباله های پلاستیکی فرآوری نشده را در مناطق پرجمعیت گزارش کردند. لبروتون و انداردی [ 5] همچنین بر ادغام پارامترهای اقتصادی و جمعیت‌های خاص که بر تولید کل زباله‌های پلاستیکی در اقیانوس تأثیر می‌گذارد، تمرکز کرد. بر اساس یافته های این مطالعات، چندین پارامتر استراتژیک را می توان برای تخمین تولید زباله های پلاستیکی که به مصب تخلیه می شود، تطبیق داد، از جمله 1. استفاده از داده های آماری بار زباله های پلاستیکی. 2. استفاده از داده های پارامتر جمعیت. 3. استفاده از داده های پارامترهای اقتصادی. و 4. استفاده از داده های پارامتر برای مناطق شهری. تا آنجا که ما می دانیم، هیچ مطالعه قبلی مدل سازی زباله های پلاستیکی برای اندونزی به صراحت از داده های آماری دولت اندونزی به عنوان داده های ورودی استفاده نکرده است. علاوه بر این، هیچ مطالعه ادغامی پارامترهای زیست‌محیطی و اجتماعی-اقتصادی را در مدل‌سازی تولید زباله‌های پلاستیکی در زمین بررسی نکرده است. از این رو،
هدف این مطالعه مدل سازی فضایی توزیع پتانسیل تولید زباله های پلاستیکی در مصب رودخانه در سراسر اندونزی است. توزیع زباله های پلاستیکی از آنجایی که در یک سیستم اطلاعاتی مبتنی بر فضایی تجسم می شود برای کمک به شناسایی مکان های خاص، که می تواند از منظر اقتصادی، اجتماعی و زیست محیطی قابل مشاهده باشد، مهم است. از این تحقیق، ما معتقدیم که نتایج می تواند بیشتر به عنوان یک مبنای اطلاعاتی مورد استفاده قرار گیرد که تنها به تصمیم گیری و سیاست گذاری توسط دولت محلی محدود نمی شود، بلکه برای برنامه ریزی پیش بینی مالی در تمام حوزه های مدیریتی نیز مورد استفاده قرار می گیرد.
برخلاف کار قبلی، این مطالعه از کل داده‌های به دست آمده از داده‌های دولت اندونزی جمع‌آوری‌شده از هر واحد دولتی استفاده کرد. سپس مقدار پلاستیک در هر واحد اداری با داده‌های سنجش از دور محیطی و اجتماعی-اقتصادی ادغام شد تا شاخصی برای دفع زباله‌های پلاستیکی بالقوه در زمین ایجاد شود. این شاخص متعاقباً برای تجزیه و تحلیل حوضه‌هایی با بیشترین پتانسیل برای دفع زباله‌های پلاستیکی مورد استفاده قرار گرفت، که در نهایت به محاسبه پتانسیل کل برای تولید زباله‌های پلاستیکی در خور کمک کرد. از این رو، این مدل ظرفیت شناسایی مکان های خاص تولید زباله های پلاستیکی بالا را دارد که می تواند از منظر اقتصادی، اجتماعی و زیست محیطی بیشتر مورد بررسی قرار گیرد. از این رو،

2. مواد و روشها

2.1. داده های مورد استفاده در این مطالعه

برای جمع‌آوری تخمین تولید زباله‌های پلاستیکی در اندونزی، استراتژی مبتنی بر یکپارچه‌سازی پایگاه‌های اطلاعاتی آماری، داده‌های ماهواره‌ای سنجش از راه دور و زیرساخت‌های مکانی ایجاد کردیم. استفاده از داده ها بر اساس مراحل مطالعه به سه نوع تقسیم شد: (1) به طور خاص ایجاد شاخصی از زباله های پلاستیکی مدیریت نشده در زمین. (2) توسعه جریان رودخانه و مصب. (3) داده ها به عنوان یک مطالعه مقایسه ای مورد استفاده قرار گرفت. مراحل ایجاد شاخص زباله های پلاستیکی مدیریت نشده زمین از ادغام داده ها در مورد پوشش زمین، تراکم جمعیت، پارامترهای اقتصادی با فعالیت انسانی، و داده های آماری پلاستیک در هر واحد اداری در اندونزی ایجاد شد. در مقابل، نقطه مصب از تقاطع داده‌های جریان رودخانه و خط ساحلی ایجاد شد. داده‌های مورد استفاده به عنوان یک آزمون مقایسه‌ای شامل داده‌هایی در مورد تغییرات در مقدار جریان‌های آب و داده‌های آماری زباله‌های پلاستیکی دهانه رودخانه از مدل‌سازی مطالعات دیگر و همچنین یک مطالعه نظارتی مبتنی بر نظرسنجی محلی است. به طور کلی داده های مورد استفاده در این تحقیق در این مقاله ارائه شده استجدول 1 .
این مطالعه زمینه سازی موضوع زباله های پلاستیکی در اندونزی، به ویژه در زمینه تولید زباله از فعالیت های زمینی به محیط های ساحلی در سراسر کشور است. اندونزی به عنوان یکی از کشورهای مجمع الجزایر با طولانی ترین خطوط ساحلی، بین اقیانوس هند و اقیانوس آرام واقع شده است و بر نقشی که اندونزی در خطوط کشتی باری خارج از کشور با درجه بالایی از فعالیت بخش دریایی دارد، تأکید می کند. با فعالیت های اقیانوسی با شدت بالا، احتمال تخلیه مستقیم یا اختلال فعالیت در بخش های دریایی می تواند تحت تأثیر قرار گیرد.

2.1.1. چند ضلعی خانوار و داده های جمعیت

توزیع جمعیت یک عامل اساسی در مدل سازی توزیع زباله های پلاستیکی مدیریت نشده در زمین است، زیرا توزیع مصرف کننده پلاستیک را نشان می دهد. در این مطالعه، داده های نمایش توزیع جمعیت از توزیع چند ضلعی خانگی برای قلمرو اندونزی تولید شد که از نقشه خیابان باز (OSM) [ 33 ]، یکپارچه شده توسط پلت فرم Geofabrik به دست آمد. OSM برای اولین بار در سال 2004 تأسیس شد و بر اساس باز بودن داده های فضایی که از مشارکت جامعه به دست آمده بود توسعه یافت [ 33]. جامعه جهانی نقشه برداری زیرساخت های اساسی مختلفی مانند جاده ها از جمله داده های بسته های ساختمانی را ترسیم کرده است. از این رو، داده های ساختمان به صورت تعاملی توسط کاربران از مکان های مختلف بازیابی شدند. مزیت داده های OSM این است که می توان به آنها دسترسی آزاد داشت و ماهیت مشارکتی دارند و بنابراین به طور مداوم به روز می شوند. با این حال، معایب شامل کیفیت نسبتا پایین داده و توزیع نابرابر داده ها بسته به میزان فعال بودن جامعه محلی و تیم OSM در افزودن ورودی ها است. از این رو، این یک مانع برای به دست آوردن داده های همگن است. برای به دست آوردن تراکم جمعیت کافی، CIESIN و آزمایشگاه اتصال فیس بوک محصولات جمعیتی با وضوح بالا را ارائه کردند که مدل جمعیت را در وضوح فضایی 30 متر ارائه می کند [ 34 ]]. هر دو داده خانوار و تراکم جمعیت برای تعریف توزیع جمعیت استخراج شدند.

2.1.2. داده های پوشش زمین کاربری زمین مبتنی بر سنجش از دور

استفاده از زمین پوشش زمین (LULC) در استخراج اطلاعات در سطح زمین استفاده شد. اطلاعات مربوط به انواع پوشش زمین و کاربری زمین با توجه به تأثیر اطلاعات نوع پوشش زمین بر تولید زباله های پلاستیکی تخمینی مورد نیاز است. در این مطالعه، یک محصول LULC ESA CCI-LC انتخاب شد [ 35]، با وضوح پیکسل 300 متر. این محصول LULC به طور پایدار توسعه یافته و با داده های ورودی مختلف، از جمله AVHRR HRPT (1992-1999)، SPOT-Vegetation (1999-2012)، و PROBA-V (2013-2015) پردازش شده است. 37 طبقه پوشش و کاربری اراضی در این محصول وجود دارد که از جمله انواع پوشش زمین شهری به عنوان ورودی داده در این تحقیق استفاده شده است. پوشش زمین شهری، مناطقی با جمعیت بالا را نشان می دهد که زباله های پلاستیکی مدیریت نشده معمولی در زمین رخ می دهد. علاوه بر این، چند محصول داده های LULC از MODIS [ 36 ] و GLCNMO [ 37 ] برای پشتیبانی از حساسیت منطقه شهری هدایت شدند.

2.1.3. داده های شبانه تصحیح شده نور ولگرد VIIRS

در این مطالعه، داده های نور شب به طور غیرمستقیم پارامترهای اقتصادی را نشان می دهند. داده های نور شب، به ویژه مجموعه رادیومتر تصویربرداری مادون قرمز مرئی (VIIRS)، توسط اداره ملی اقیانوسی و جوی (NOAA) [ 38 ] با واحد محصول nW/cm2 / sr توسعه داده شد. ما به طور خاص، داده‌های شبانه تصحیح شده نور ولگرد VIIRS [ 43]، پیکربندی جایگزین باند روز-شب VIIRS (DNB)، برای تصحیح نور تحریف شده. با این حال، داده‌های شبانه مبتنی بر سنجش از دور جمع‌آوری‌شده به دلیل عدم توانایی استخراج پوشش داده با کیفیت بالا به دلیل پوشش ابر در مناطق خاص، به‌ویژه در مناطق گرمسیری، مانند اندونزی، محدود شده است. با این وجود، چندین مطالعه با موفقیت گزارش کرده اند که داده های نور شب می توانند توزیع دسترسی به برق را به عنوان تحقق تامین انرژی تعیین کنند [ 44 ]. چندین مطالعه همچنین یک همبستگی مثبت بین سطوح نور شب و عوامل اقتصادی، مانند تولید ناخالص داخلی و سایر پارامترهای اقتصادی را نشان می‌دهند [ 45 ، 46 ]]. تجزیه و تحلیل داده ها در این مطالعه طی یک سال در سال 2019 انجام شد، که سپس با استفاده از پردازش داده مبتنی بر ابر مبتنی بر موتور Google Earth، حداکثر داده را در هر پیکسل گرفت [ 47 ]. این تحلیل برای به دست آوردن مقداری با حداکثر مکان آسیب‌پذیری توزیع برق و اقتصاد انجام شد که بر تراکم جمعیت تأثیر می‌گذارد.

2.1.4. سیستم ملی اطلاعات مدیریت پسماند (SIPSN)

داده‌های آماری زباله از وب‌سایت «سیستم اطلاعات مدیریت پسماند ملی» (SIPSN) که توسط وزارت محیط‌زیست و جنگل‌داری جمهوری اندونزی توسعه داده شده است، به‌دست آمد [ 26 ].]. SIPSN یک پلت فرم پایگاه داده آنلاین است که در سال 2017 به دنبال قانون جمهوری اندونزی شماره 18 در سال 2008، ماده 7b، و مقررات دولتی جمهوری اندونزی شماره 81 در سال 2012، ماده 34 ایجاد شد. داده های SIPSN توسط اندونزیایی توسعه یافته است. وزارت محیط زیست و جنگلداری، اتخاذ اساس پردازش جدول بندی مدیریت شده توسط دولت های محلی. هر شهر/دولت منطقه‌ای تمام داده‌های زباله در اندونزی را در یک مجموعه داده یکپارچه وارد می‌کند. جدیدترین داده‌های منتشر شده مربوط به سال‌های 2017-2018، با کوچک‌ترین منطقه اداری در استان‌ها/شهرها در این پایگاه داده است. در این مطالعه، داده‌های مربوط به درصد ترکیب زباله‌های پلاستیکی در هر منطقه/شهر در سال‌های 2017-2018 به‌دست آمد. با این حال، داده های زباله از همه مناطق/شهرها در دسترس نبود. بنابراین، چندین رویکرد دیگر برای تکمیل داده ها اتخاذ شد.

2.1.5. شبکه جریان رودخانه و داده های مصب

برای ایجاد تشخیص مصب رودخانه متصل به دریا، از دو مجموعه داده استفاده می شود. اولین مورد شامل داده های جریان رودخانه است که توسط Global Surface Water گردآوری شده است [ 40]، که شامل توزیع زمانی آب های سطحی از سال 1984 تا 2018 است، در حالی که مجموعه داده دوم شامل داده های آماری در مورد مساحت و تغییرات سطح آب است. داده ها از 3,865,618 تصویر از Landsat 5, 7, و 8 که بین 16 مارس 1984 تا 31 دسامبر 2018 گرفته شده اند تولید شده است. دو دوره زمانی (1984-1999، 2000-2018) برای تجسم تشخیص تغییر. رودخانه های دوران 2000-2018 از سایر طبقات پوشش آبی جدا شده اند. مجموعه داده دوم، داده های خط ساحلی است که توسط داده های زمین طبیعی [ 41 ] جمع آوری شده است] که کل خط ساحلی زمین را در بر می گیرد. محصول داده خط ساحلی تولید شده توسط Natural Earth بر اساس کیفیت به سه دسته طبقه بندی می شود: جزئیات عالی، جزئیات متوسط ​​و کلاس های جزئیات کم. در این مطالعه، مصب به عنوان محل تلاقی بین یک جریان رودخانه، که از طریق محصولات آب سطحی جهانی توسعه یافته است، و یک خط ساحلی، که توسط داده های زمین طبیعی [ 41 ] توسعه یافته است، تعریف می شود.

2.1.6. داده ها برای مطالعه مقایسه ای

عدم وجود داده های میدانی که نشان دهنده داده های واقعی مربوط به انبوه زباله های پلاستیکی است، محدودیتی برای تعیین توزیع زباله های پلاستیکی است. برای غلبه بر این موضوع، مقایسه‌های مطالعاتی انجام شد، زیرا مطالعات متعددی با اهداف یکسان وجود دارد که می‌تواند مبنایی برای مقایسه نتایج برآوردی موجود از سایر مطالعات باشد. به طور خاص، دو مطالعه مربوط به پتانسیل زباله های پلاستیکی در مصب وجود دارد که توسط Lebreton و همکاران انجام شده است. [ 5 ] در قلمرو اندونزی در مدل مقیاس جهانی و توسط کوردووا و همکاران. [ 32 ] در منطقه خلیج جاکارتا. مقایسه مقادیر بین نقاط مختلف مصب را می توان انجام داد، به ویژه در داده های توسعه یافته توسط Lebreton و همکاران. [ 5]، با توجه به اینکه این مطالعه داده های زباله مصب را فراهم می کند که با استفاده از ابزارهای سیستم اطلاعات جغرافیایی (GIS) قابل دسترسی و پردازش است. رویکرد دوم نتایج مطالعه جامع را برای مقدار زباله های پلاستیکی در مصب خلیج جاکارتا با داده های میدانی گزارش شده توسط کوردووا و همکاران مقایسه کرد. [ 32 ]. علاوه بر مقایسه محصولات نقطه به نقطه از زباله های پلاستیکی مصب، داده های حاصل از مدل سالانه محصول FLO1K تغییرات جریان رودخانه استفاده شد [ 42]. FLO1K از میانگین، حداکثر و حداقل مقادیر جریان جریان برای هر سال از 1960-2015 تشکیل شده است. این محصول جریان با استفاده از رگرسیون شبکه عصبی مصنوعی (ANN) توسعه داده شد که در اندازه‌گیری‌های مشاهده ماهانه در 6600 ایستگاه مشاهده در سراسر جهان ادغام شد. از داده های پشتیبانی کننده FLO1K برای نشان دادن رابطه بین کندی جریان و محصول شاخص پتانسیل دفع زباله های پلاستیکی استفاده شد.

2.2. روش شناسی

2.2.1. روش شناسی عمومی

پردازش داده ها در این پژوهش به سه مرحله اصلی تقسیم شد. اولین مورد شامل تولید داده های پلاستیکی در هر واحد اداری با استفاده از داده های SIPSN و SNI بود. فاز دوم شامل توسعه شاخصی برای پتانسیل دفع زباله های پلاستیکی، ناشی از ادغام LULC، تراکم جمعیت و داده های نور شبانه بود. ترکیب داده های آماری پلاستیک در هر واحد اداری و شاخص پتانسیل ضایعات منجر به توزیع زباله های پلاستیکی زمین در واحد پیکسل شد. توسعه نقطه مصب سپس از طریق فرآیند همپوشانی داده های خط ساحلی با داده های جریان رودخانه انجام شد. مرحله نهایی شامل تخمین زباله های پلاستیکی مصب با محاسبه ارزش انباشته زباله های پلاستیکی بود که محاسبه کل زباله های خور را تسهیل می کرد. سه سناریو از زباله های پلاستیکی بد مدیریت تولید شده در هر منطقه بر اساس داده های تاریخی و قضاوت های مهندسی توسعه داده شد. ساختار کلی مراحل کار برای این مطالعه در ارائه شده استشکل 1 ، در حالی که شکل 2 پارامترهای شاخص های دفع زباله های پلاستیکی را نشان می دهد.

2.2.2. برآورد تولید زباله های پلاستیکی به ازای هر واحد اداری

ایجاد کل پلاستیک به ازای هر واحد اداری اولین مرحله در برآورد میزان زباله های پلاستیکی در مصب رودخانه ها است. برای این مرحله، داده های ترکیب با استفاده از سه رویکرد استخراج شد. در رویکرد اول، مجموعه داده SIPSN به عنوان یک مرجع برای منبع داده اولیه عمل کرد [ 26 ]. رویکرد دوم در صورتی انجام می‌شود که داده‌ها در دسترس نباشد، آنگاه مقدار پلاستیک سرانه برای منطقه با مکان دیگری با تراکم جمعیت، اندازه جمعیت و مساحت مشابه یکسان فرض می‌شود. برای رویکرد سوم، اگر مقایسه ویژگی ها مطابقت نداشت، میزان پلاستیک سرانه از استاندارد ملی به دست آمد: SNI 10-3983-1995 در رابطه با مشخصات تولید زباله جامد برای شهرهای متوسط ​​و کوچک [ 48 ].]. داده‌های مربوط به تولید زباله‌های پلاستیکی مقداری در هر پیکسل داشتند. یعنی در هر 300 متر مربع یک مقدار وجود داشت . نمودار جریان برای تعیین مقدار کل پلاستیک در منبع در شکل 3 ارائه شده است .
داده های تولید زباله سرانه (وزن/نفر/روز) برای ضرب داده های جمعیت برای به دست آوردن کل تولید زباله در یک شهر/منطقه در واحد روز استفاده شد. داده های جمعیت با ادغام داده های جمعیت از اداره مرکزی آمار برای سال 2018 [ 49 ] به دست آمد. شکل ترکیب زباله های پلاستیکی از مستندات SIPSN و چندین رویکرد دیگر (مشخصات منطقه و استاندارد ملی تولید زباله اندونزی) به دست آمد. بنابراین، رقم تولید زباله پلاستیکی را می توان با استفاده از رابطه (1) محاسبه کرد.

پدبلیوqتیy=دبلیوجیجآپ×پoپتولآتیمنon×%پدبلیو

که در آن PWqty مقدار یک مقدار زباله پلاستیکی (کیلوگرم در روز) است، در حالی که WGcap تولید زباله سرانه (کیلوگرم/نفر/روز) و % PW درصد زباله پلاستیکی (%) است. پس از جدول بندی داده ها برای مقدار پلاستیک بر حسب تن در روز در هر منطقه، داده ها با داده های مکانی برای مناطق اداری منطقه که از آژانس اطلاعات مکانی [ 39 ] به دست آمده بود، ترکیب شدند. سپس داده ها به یک پایه پیکسل در قالب شطرنجی با اندازه پیکسل 300 × 300 متر برای به دست آوردن داده در هر منطقه در شطرنجی تبدیل شدند.

از طریق یکپارچه سازی و استفاده از داده های SIPSN [ 26 ]، مفروضات پیوند داده ها، و SNI، داده های مکانی در مورد ارزش تولید زباله در هر منطقه منطقه ایجاد شد. کوچک‌ترین واحدهای اداری قابل پردازش بر اساس داده‌های ورودی در این پژوهش، بخش‌ها و واحدهای اداری شهرستان بودند. واحد تولید ضایعات پلاستیکی از نظر وزن (تن در روز) بود، با نشانه اولیه مبنی بر اینکه یک منطقه دارای همان مقدار متوسط ​​است. این روش همچنین بخشی از مطالعه در حال توسعه برای رویکرد داده تولید زباله [ 50 ] برای مدل‌سازی تولید زباله پلاستیکی در کوچک‌ترین واحد اداری ممکن است.

2.2.3. توسعه شاخص بالقوه دفع زباله های پلاستیکی

قبلاً بحث شد که تولید زباله های پلاستیکی از سه جنبه مختلف زیست محیطی، اجتماعی و اقتصادی مورد تجزیه و تحلیل قرار گرفت. برای توسعه این شاخص که وزن پتانسیل دفع زباله های پلاستیکی را تحمل می کند، داده های بررسی شده مربوط به مناطق مسکونی و مناطق اشغال شده توسط انسان به عنوان عامل اصلی تولید زباله در نظر گرفته شده است [ 23 ].]. سه مجموعه داده مورد استفاده قرار گرفت: داده‌های پوشش زمین، تراکم جمعیت، و داده‌های نور شبانه. داده های پوشش کاربری زمین برای شناسایی مناطق مسکونی به دست آمده در مناطق شهری استفاده شد. شناسایی پوشش کاربری زمین تنها بر مناطق شهری متمرکز شده است. بنابراین، مراحل انجام شده در آماده‌سازی داده‌ها فقط برای تشکیل طبقه‌بندی داده‌ها بود که در آن مناطق مسکونی ارزش کلاس 1 داشتند، در حالی که مناطق غیر مسکونی ارزش کلاس 0 را داشتند.
جنبه های اجتماعی بر اساس توزیع جمعیت مورد بررسی قرار گرفت که سپس به عنوان تراکم جمعیت مورد استفاده قرار گرفت. داده های ساختمان OSM با شکل چند ضلعی اصلی با شناسایی نقاط مرکز روی چند ضلعی ها به نقاط تبدیل شدند که برای تولید محصولات تراکم خانگی پردازش شدند. نقاطی که دارای مقادیر بودند با استفاده از اصل تراکم نقاط با محاسبه و تحلیل فضایی بر اساس یک منطقه خاص (مساحت پیکسل 300 متر) به همراه ادغام تراکم جمعیت در 30 متر، با تعداد در هر پوشش محاسبه شدند. داده های تراکم ساختمان با مراجعه به SNI 03-1733-2004 مربوط به رویه های برنامه ریزی محیط مسکن در مناطق شهری به طبقه بندی طبقه بندی شدند [ 51]. چهار کلاس طبقه بندی مساحت بر اساس تراکم در جدول 2 ارائه شده است. زمانی که تراکم جمعیت به یک کلاس بسیار متراکم رسید، این شاخص به‌عنوان کلاس 1 ارزیابی شد که به دلیل ارزش تراکم با پتانسیل تولید زباله بود.
جنبه اقتصادی پارامتر غیرمستقیم را در قالب داده‌های نور شبانه از محصول VIIRS اعمال می‌کند، که داده‌های میانگین نور شبانه را در ماه، جایی که به‌روزرسانی داده‌ها اخیراً انجام شده است، ارائه می‌دهد. با این حال، داده‌های مورد استفاده مربوط به سال 2019 بود. جنبه اقتصادی با نور شبانه نشان داده شد، با این فرض که با داده‌های اقتصادی در منطقه به عنوان شاخص فعالیت شدید انسانی همبستگی کامل دارد. داده های نور شبانه با روش طبقه بندی فاصله هندسی طبقه بندی شدند که برای طبقه بندی فعالیت های اقتصادی مناسب است [ 52]. روش بازه هندسی را می توان به سادگی به عنوان روشی بیان کرد که سایر روش های طبقه بندی مانند شکست های طبیعی، چندک ها و فواصل مساوی را ترکیب می کند. این روش بر تقسیم کلاس با استفاده از اصل کمی سازی توان با داده هایی که می توانند به طور ایده آل توزیع شوند، تمرکز می کند. کلاس ها در فواصل زمانی ایجاد می شدند که بر هر کلاس متمرکز بود. بنابراین، کلاس داده های شبانه برای ارزیابی کیفی کلاس های پایین، متوسط ​​و بالا مورد ارزیابی قرار گرفت. سه جنبه محاسبه شد. از این رو شاخص هر 300 متر بین کلاس های 0 و 3 با نمایش هر جنبه بالقوه به دست آمده به دست آمد. وزن با محاسبه جدول‌بندی با عملیات مبتنی بر پیکسل، با وزن کل هر منطقه 1 به دست آمد. برای انجام این کار، لازم بود شاخص هر منطقه با استفاده از کد منحصر به فرد هر منطقه با مجموع 415 منطقه در اندونزی شناسایی شود. محاسبه وزن طبق رابطه (2) انجام شد:

دبلیو=منΣمن×100%

که در آن W وزنی است که باید بر حسب درصد تعریف شود، I مقدار شاخص تشکیل شده است، و ΣI نمایانگر شاخص کل در یک منطقه است.

2.2.4. مدل سازی زباله های دریایی پلاستیک برای منطقه ساحلی

مرحله نهایی شامل شناسایی تولید زباله های پلاستیکی در هر مصب بود. مصب ها از مکان های همپوشانی که محل تلاقی رودخانه ها و دریاها هستند شناسایی شدند. برای تعیین مکان ها، از تحلیل فضایی GIS با روش تحلیل همپوشانی استفاده شد که روشی است برای تعیین مکان بهینه یا تحلیل مناسب. یکی از مزایای این تکنیک این است که می توان آن را روی داده هایی با مقیاس داده های یکسان و چندگانه برای تولید داده های یکپارچه اعمال کرد. با اشاره به دو نتیجه به‌دست‌آمده از دو فاز قبلی، به‌ویژه داده‌های مربوط به رویکرد زباله‌های پلاستیکی در هر پیکسل در هر منطقه و داده‌های مربوط به وزن بالقوه در هر منطقه، محاسبات برای مقدار ضایعات فرضی در هر پیکسل انجام شد. محاسبات با استفاده از رابطه (3) انجام شد:

پلآستیمنج تیoتیآل=دبلیو×Σپ

که در آن W مقدار وزن استفاده شده است، و ΣP مقدار پلاستیک (تن در روز)، که در آن هر دو با منطقه پوشش در هر منطقه/شهر پردازش می‌شوند.

در شناسایی زباله های پلاستیکی در منطقه رودخانه، یک روش همپوشانی بین مقدار زباله پلاستیکی در هر پیکسل و داده های رودخانه دوباره انجام شد. ویژگی‌های به‌دست‌آمده برای شناسایی خور ویژگی‌های نقطه‌ای بودند و ۸۶۸۸ نقطه مصب برای منطقه اندونزی تولید شد. خروجی های فاز اول و دوم به عنوان ورودی در بخش تحلیل جریان مصب استفاده شد. نتیجه بار روی خور با تجزیه و تحلیل کل ارزش روکش زباله در پیکسل هایی که رودخانه از آن عبور می کند، ایجاد شد، که سپس در مرز انتهایی رودخانه، یعنی خور انباشته شد. این فرض کلی را منتقل می کند که زباله در یک منطقه 300×300 متری که از رودخانه عبور می کند به طور بالقوه مدیریت نشده و از طریق جریان رودخانه هدر می رود.

3. نتایج

3.1. برآورد تولید زباله پلاستیکی به ازای هر واحد اداری

از طریق ادغام و استفاده از داده های SIPSN، مفروضات پیوند داده ها، و SNI، داده های مکانی در مورد ارزش تولید زباله در هر واحد اداری به دست آمد. تجسم تولید زباله های پلاستیکی در منبع در یک طیف رنگی بیان شد. رنگ قرمز نشان دهنده تولید زباله های پلاستیکی بیشتر و آبی نشان دهنده تولید کمتر زباله های پلاستیکی است. نقشه داده های تولید زباله های پلاستیکی در هر منطقه را می توان در شکل 4 مشاهده کرد ، که همچنین از مطالعه قبلی برای ایجاد یک مدل نزدیک از داده های تولید زباله های پلاستیکی توسعه یافته است [ 50 ].
نتایج نشان می دهد که مقدار کل زباله های پلاستیکی در هر منطقه بین 1.18 تا 954 تن در روز برای یک منطقه اداری و منطقه شهری در قلمرو اندونزی بود. این نشان می دهد که هر منطقه و شهر در اندونزی تولید زباله پلاستیکی دارد که بسته به مشخصات منطقه متفاوت است. برخی از مناطق بر اساس جمعیت شناسی، که به تراکم جمعیت اشاره دارد، گروه بندی شدند، مانند (الف) DKI جاکارتا نشان دهنده تراکم بالا، (ب) مدان، سوماترا شمالی نشان دهنده تراکم نسبتاً بالا، (ج) ماکاسار، سولاوسی جنوبی نشان دهنده تراکم نسبتا کم است، و (د) Merauke، پاپوآ نشان دهنده چگالی کم است. علاوه بر این، متغیرهای متعددی بر میزان زباله‌های پلاستیکی تولید شده در منطقه تأثیر می‌گذارند. علاوه بر این، می توان مشاهده کرد که تولید زباله های پلاستیکی همیشه به طور مستقیم به سطح تراکم جمعیت مربوط نمی شود، همانطور که برای دو نمونه در جزیره جاوا مشاهده شد. منطقه Tasikmalaya دارای جمعیت بالای 1,035,411 نفر (2018) با تولید زباله پلاستیکی 420.92 تن در روز است، در مقایسه با شهر Bekasi با جمعیت 3,003,920 نفر (2018) و تولید زباله پلاستیکی 410.45 تن در روز. این به دلیل تأثیر فعالیت اقتصادی بالا در منطقه بود که منجر به تقاضای بالای پلاستیک شد.
محاسبه کل تولید زباله در مناطق و شهرها نشان داد که منطقه بوگور با ارزش تولید 954.46 تن در روز، بیشترین تولید زباله پلاستیکی را دارد. پس از آن منطقه Tangerang و شهر Bandung به ترتیب دارای ارزش تولید زباله پلاستیکی 617.85 تن در روز و 604.05 تن در روز بودند. برخی از مناطق با تولید زباله های پلاستیکی کوچک شامل شهر اداری جزیره سریبو ، سوپریوری و سلایار هستند.

3.2. شاخص بالقوه دفع زباله های پلاستیکی

شاخص پتانسیل زباله های پلاستیکی، شاخصی است که آسیب پذیری یک منطقه را در سهم آن در دفع زباله های پلاستیکی در خشکی توصیف می کند. این شاخص بر اساس سه پارامتر پوشش کاربری اراضی، تراکم جمعیت و نور شبانه ایجاد شد. هر پارامتر به وزن 1 کمک می کند، با حداکثر مقدار وزن شاخص 3 و حداقل 0 ( شکل 5 ). با مشاهده نتایج در شکل 5 ، می توان نتیجه گرفت که شاخص پتانسیل مناطقی را در دسته های شهرهای بزرگ توصیف می کند (به عنوان مثال، مناطق DKI جاکارتا و شهر ماکاسار). مناطق بزرگ شهر با تغییراتی از طبقه بندی شاخص در اطراف آنها مشخص می شوند، جایی که یک شاخص حداکثر پتانسیل نیز قابل شناسایی است که به عدد 3 می رسد. شکل 5نشان می دهد که اندازه شاخص با سطح بالای فعالیت اقتصادی و تراکم بالای جمعیت در مناطق شهری نسبت مستقیم دارد.
از نظر کمی، اندونزی دارای ارزش شاخص 0 در 94.54 درصد از منطقه است. شاخص 0 نشان می دهد که این منطقه شهری نبوده و دارای جمعیت و سطح اقتصادی پایینی است. مقادیر شاخص 1، 2 و 3 به ترتیب 4.72، 0.65 و 0.08 درصد از مجموع 19550694.00 پیکسل پردازش شده در این تحقیق را پوشش دادند. نتایج شاخص پتانسیل زباله های پلاستیکی با داده های تولید زباله های پلاستیکی در هر منطقه ترکیب شد تا وزن بالقوه زباله های پلاستیکی را در واحدهای پیکسلی که یک منطقه را پوشش می دهد، نشان دهد ( شکل 6 را ببینید ).
وزن تولید زباله بالقوه به صورت محلی با استفاده از وزن دهی منطقه توزیع شد، با هدف وزن بالقوه بررسی ارزش توزیع تولید زباله در هر منطقه بود. نتایج وزن پتانسیل مستقیماً با نتایج شاخص پتانسیل زباله پلاستیکی متناسب بود. با این حال، بازنگری برای هر منطقه مورد نیاز است. مقدار درصد وزن تأیید می کند که چقدر پتانسیل برای دفع زباله های پلاستیکی در منطقه 300 × 300 متر وجود دارد. این بدان معنی است که یک منطقه تحت پوشش 9 هکتار در تعریف کوچکترین منطقه یک منطقه ممکن است.

3.3. وزن زباله های پلاستیکی در هر محل خور

با تصدیق وزن هر پیکسل در پوشش ریجنس و مقدار پلاستیک تولید شده در هر منطقه، توزیع بار پلاستیک در هر پیکسل در شکل 7 در جریان رودخانه و شکل 8 به عنوان تجمع در خور ارائه شده است. توزیع زباله های پلاستیکی زمین در هر منطقه به وزن مناطق بالقوه محلی در نظر گرفته می شود. نواحی با وزن بالاتر مقادیر بیشتری پلاستیک را دفع می کنند.
با این حال، نتایج توزیع تصویری هستند، با این فرض که شکاف بین مناطق با پتانسیل مطلق و غیر پتانسیل بسیار غیر قابل مقایسه است. پیش بینی دفع زباله های پلاستیکی در منطقه رودخانه از توزیع حاصل به نقاط مصب قبل از ورود به آب ها ایجاد شد. فرضیه پیش بینی شده بدترین سناریو است که در آن تمام زباله های پلاستیکی در یک منطقه وارد سیستم رودخانه می شود. رنگ های روشن تر در شکل 6نشان دهنده پتانسیل بالاتری برای تخلیه زباله های پلاستیکی است. تقاطع خط ساحلی و لایه جریان رودخانه نقاط مصب ایجاد می کند که دارای تحمل 300 متر است. بار پیش‌بینی‌شده زباله‌های پلاستیکی در مصب به بالاترین حد خود به 5 تن در روز رسید، که ناشی از این فرض است که همه زباله‌های پلاستیکی وارد اقیانوس می‌شوند. بنابراین، اگر این برای همه رودخانه ها محاسبه شود ( شکل 7 )، بار بالایی از زباله های پلاستیکی پیش بینی می شود ( شکل 8 ).
وزن ها برای ایجاد نتیجه توزیع زباله در مناطق کوچکتر با مقدار بار پلاستیکی استفاده شد. برای هر رودخانه، یک سناریوی 9 هکتاری که رودخانه از طریق آن بار پلاستیکی یکسانی داشت (با فرض همگن بودن جریان رودخانه) منجر به کل زباله پلاستیکی در هر رودخانه بر حسب تن در روز در شکل 8 در سناریوی کامل (100٪) شد.

3.4. سناریوهای تولید زباله پلاستیکی

برای ارائه مدلی برای تحقق دفع زباله های پلاستیکی، بررسی چندین گزارش مربوط به اندازه گیری میزان زباله های دریایی ادغام شده با مساحت زمین انجام شد. شوکر بازده متوسط ​​زباله های پلاستیکی ورودی به رودخانه ها در قلمرو اندونزی را به عنوان تقریباً 20 درصد از کل پلاستیک زمین به دست آورد [ 53 ]. در همین حال، یک گزارش محلی، گزارش ارزیابی سریع نقطه داغ زباله‌های دریایی در سال 2018، بیان کرد که به طور متوسط، اندونزی 30 درصد از پلاستیک‌های خشکی را به خود اختصاص می‌دهد، با محدوده 15 تا 20 درصد زباله‌های پلاستیکی که به طبیعت می‌روند و 10 تا 15 درصد. زباله های پلاستیکی که به خوبی مدیریت نشده بودند [ 53]. گزارش مربوط به مواد زائد پلاستیکی سموم زنجیره غذایی اندونزی در سال 2019 توضیح داد که ارزش زباله های پلاستیکی وارد شده به اقیانوس به 20 تا 38 درصد از کل زباله های پلاستیکی می رسد [ 24 ]. به دنبال داده های تاریخی و قضاوت های مهندسی، مقادیر 15٪، 30٪ و 45٪ از زباله های پلاستیکی مدیریت نشده که به طور بالقوه می تواند به رودخانه ها ریخته شود، اعمال شد. در این مورد، توسعه سناریو همچنین برای تعیین اینکه آیا درصد زباله‌های پلاستیکی مدیریت‌شده به‌جای داده‌های تاریخی یا تحقیقات مناسب با شرایط واقعی است یا خیر، در نظر گرفته شده است. توسعه طرح ریزی برای سه سناریو در شکل 9 ارائه شده است .
از نتایج سه سناریو، حجم زباله های پلاستیکی که به خور می رسد بسته به سناریو متفاوت است. در سناریوی 15 درصدی، میانگین مقدار زباله پلاستیکی منتقل شده به مصب رودخانه در منطقه جاکارتا 7.45-11.6 کیلوگرم در روز بود. با استفاده از داده‌های مصب رودخانه و داده‌های ناحیه اداری منطقه/شهر، تجزیه و تحلیل آماری برای ارزیابی انباشت زباله‌های پلاستیکی ورودی به مصب رودخانه از هر منطقه/شهر انجام شد. یک نقطه پایانی در هر منطقه/شهر برای نشان دادن موقعیت مصب رودخانه در مجاورت این نقاط ایجاد شد ( شکل 10 ). میانگین کل زباله های پلاستیکی حمل شده به مصب رودخانه ها در سراسر اندونزی بر اساس محاسبات آماری به 2 تن در روز رسید. شکل 10بدترین سناریو را برای انباشت زباله های پلاستیکی در یک منطقه/شهر اداری تعریف می کند که در آن 45٪ از زباله های پلاستیکی در محیط های دریایی تخلیه می شود.
نتایج آماری انباشت زباله های پلاستیکی از هر منطقه/شهر را می توان در جدول 3 مشاهده کرد.، با حداکثر ارزش 11.94 تن زباله در منطقه بکاسی. رویکرد آماری در هر منطقه/شهر را می توان برای برنامه ریزی استراتژی های مدیریت زباله های پلاستیکی به کار برد. بر اساس منطقه، می توان مشاهده کرد که منطقه DKI جاکارتا بزرگترین مشارکت کننده نبود. بنابراین عوامل دیگری نیز در نظر گرفته شد. بررسی اجمالی منطقه سولاوسی مرکزی (به ویژه در شهرهای پالو و دونگالا) نشان داد که این منطقه در مقایسه با پایتخت کشور از ارزش بالایی برخوردار است و در بلایای طبیعی مانند سونامی پالو در سپتامبر 2018 تأثیرات بعدی ایجاد می کند. و این واقعیت که داده های رویکرد SIPSN برای دوره 2017-2018 بود. علاوه بر این، فرض بر این بود که منطقه بالی در فعالیت‌های فرهنگی محلی، مانند ریختن هدایا به دریا در دوره‌های رویداد خاص، افزایش یافته است.

4. بحث

محاسبه باری از زباله های پلاستیکی که وارد اقیانوس می شوند بر اساس همه پلاستیک ها که احتمال جاری شدن از رودخانه به خور را فرض می کردند، برآورد شد. مقدار کل بار پلاستیک مدیریت نشده بر اساس ارزش رویکرد از داده های میدانی ارائه شده توسط SIPSN، فرض داده ها در هر منطقه با وزن آن، و همچنین فرض تولید زباله در تعمیم طبقه بندی در نظر گرفته شد. شهرهای متوسط ​​و کوچک طبق استانداردهای قابل اجرا. مقدار بازده در هر منطقه با استفاده از نتایج حاصل از محاسبه وزن برای درک مقدار توزیع محاسبه شد. وزن‌ها به ازای هر منطقه با در نظر گرفتن شاخص به‌دست‌آمده بر اساس سه جنبه پوشش کاربری، تراکم جمعیت و فعالیت اقتصادی سبک در شب در هر منطقه محاسبه شد.

4.1. مقایسه مدل و داده های موجود ورودی زباله های پلاستیکی از رودخانه

نتیجه نهایی سه فاز نقشه بار پلاستیکی در هر خور بود. مقایسه‌هایی با نتایج تحقیق در مورد مدل‌های جهانی پلاستیک‌هایی که از رودخانه‌ها وارد اقیانوس‌ها می‌شوند بر اساس مدیریت زباله، تراکم جمعیت و اطلاعات هیدرولوژیکی توسط Lebreton و همکاران انجام شد. [ 5 ] که منجر به 739 امتیاز مشابه برای مقایسه شد.
از نمودارهای شکل 11 و شکل 12مشاهده می شود که داده های حاصل از نتایج تحقیقات Lebreton و همکاران. بازدهی بالاتر و متنوع تری دارند. تفاوت‌ها در جایی که پردازش داده‌ها توسط Lebreton و همکاران ایجاد شد. استفاده از پارامترهای داده های هیدرولوژیکی امکان محاسبه جریان رواناب را فراهم می کند که در این مطالعه مورد بحث قرار نگرفته است. تحقیق انجام شده توسط Lebreton و همکاران. به توسعه سه سناریو اشاره دارد: زیاد، متوسط ​​و کم، در رابطه با الگوهای فصلی در هر ماه، در مقایسه با توسعه انجام شده در تحقیقات بر اساس درصد کل تخمینی پلاستیک روزانه. مقایسه داده‌ها در نقطه‌ای با خط رگرسیون خطی بررسی شد که مقدار زیادی از داده‌ها را نشان می‌دهد که مقایسه خطی مستقیم بین نتایج تحقیق و مدل‌سازی موجود را نشان نمی‌دهد.
برای جمع‌آوری مقایسه‌ها با داده‌های منطقه محلی و همچنین در زمینه نتایج مبتنی بر نظرسنجی، مقایسه‌هایی با تحقیقات قبلی روی زباله‌های پلاستیکی در خلیج جاکارتا در شکل 13 انجام شد [ 32 ]. این مقایسه وجود 2.44 ± 8.23 ​​تن در روز زباله پلاستیکی را نشان داد، در حالی که در یک مدل مقیاس جهانی [ 5 ]، زباله های پلاستیکی در ورودی بالا به 17.61 تن در روز رسید. نتیجه محاسبه مصب در این مطالعه در خلیج جاکارتا در سناریوی بالا به 7.2 تن در روز رسید. در سناریوی متوسط ​​به 4.8 تن در روز رسید. در سناریوی پایین به 2.4 تن در روز رسید. مقایسه سه مجموعه داده نتایج اولیه تفاوت 2.03 برابری را با مدل جهانی ارائه کرد [ 5 ]] و تفاوت 1.08 برابری با نتایج مطالعه مبتنی بر نظرسنجی [ 32 ]. شباهت نتایج ممکن است به دلیل عباراتی باشد که برای تعریف خود خروجی‌های مصب استفاده می‌شود، در حالی که مطالعه و مدل‌سازی مبتنی بر بررسی ما از خروجی رودخانه استفاده می‌کند، که در آن مقیاس جهانی از طریق تشخیص بیش از 1 کیلومتر حائل می‌شود و به تخمین بالاتر منجر می‌شود.

4.2. تاثیر زباله های پلاستیکی بر جریان جریان

زباله‌های روزانه‌ای که از سال‌های 2000 تا 2015 از خور رودخانه جاری می‌شوند، به طور بالقوه می‌توانند جریان رودخانه را تا 1943 متر مکعب بر ثانیه بر اساس محصولات داده‌های مدل‌سازی FLO1K مهار کنند [ 42 ] ( شکل 14 )، با این فرض که سرانه اندونزی اواسط سال 2007 است. درآمد (GDP) 6.35% بود، که در آن سال 2000 سال افزایش ثابت در هشت سال قبل و سال 2015 در هشت سال پس از افزایش بود [ 54 ]]. داده‌ها با استفاده از تفکیک فضایی 1 کیلومتری مناطق بالقوه را در پالمبانگ (سوماترای جنوبی)، DKI جاکارتا و جاوای غربی، بانجارماسین (کالیمانتان جنوبی)، دلتا ماهاکام (کالیمانتان شرقی)، پالو (سولاوسی مرکزی)، و مراوکه (پاپوآ) ارائه کردند. نشان می دهد که از نظر کمی، زباله های پلاستیکی پتانسیل ایجاد مانع در جریان رودخانه را دارند. در مورد پوشش کامل اندونزی، رودخانه هایی که مستقیماً به نقاط مصب خود متصل می شوند، جریان آنها به 21 متر مکعب کاهش یافته است ./s. کند شدن جریان رودخانه مشکلات دیگری از جمله سیل به دلیل بارندگی های فصلی را به همراه خواهد داشت. بارندگی شدید به دلیل اضافه شدن توده های آب در مدت زمان کوتاهی جریان آب را تسریع می کند و در نتیجه باعث می شود که آب راه دیگری برای تخلیه توده آب اضافی در رودخانه ها پیدا کند. در یک وضعیت ایده آل، آب در نهرهای رودخانه جاری می شود. با این حال، وجود زباله‌های پلاستیکی در رودخانه‌ها راه‌های جایگزینی را برای تخلیه توده‌های آن می‌طلبد که منجر به جاری شدن سیل در منطقه شهری می‌شود. یک بررسی ویژه برای مناطقی که کاهش سرعت در جریان رودخانه با شاخص پتانسیل پایین در منطقه کالیمانتان مرکزی و منطقه کایمانا در غرب پاپوآ را تجربه می‌کنند، انجام شد. نویسندگان یک عامل اضافی را، به غیر از زباله های وارد شده به رودخانه ها، توصیف کردند که از سرعت جریان رودخانه جلوگیری می کند، یعنی رسوب گذاری خاک.55 ]، که می توانست ناشی از جنگل زدایی باشد [ 56 ، 57 ]. این یک نگرانی است زیرا کالیمانتان مرکزی و کایمانا مناطق معدنی هستند که عامل اصلی جنگل زدایی هستند. نتایج اعتبارسنجی با داده‌های جریان رودخانه ثابت می‌کند که پتانسیل پلاستیک از مدل‌سازی پلاستیک‌های انباشته‌شده از خشکی به اقیانوس تا سال 2015 پشتیبانی می‌کند، با 79 درصد زباله‌های پلاستیکی در منطقه یکپارچه‌سازی ساحلی [ 58 ].

4.3. محدودیت ها

این مطالعه دارای کاستی های متعددی از جمله مشکلات فنی و فرضیات مورد استفاده در تحقیق است. برخی از نمونه‌های مشکلات فنی، به‌ویژه وضوح شبکه بزرگ، عوامل جانبداری در شبیه‌سازی تخلیه زباله‌های پلاستیکی به رودخانه‌ها را نشان می‌دهند. علاوه بر این، داده ها و مطالعات قبلی محدودی در مورد جریان مواد زباله های پلاستیکی در سطح زیر منطقه اندونزی وجود دارد. علاوه بر این، هیچ مقایسه داده ای بین نتایج مدل و داده های میدانی وجود ندارد. مفروضات اعمال شده در طول طبقه بندی برای نمایه سازی را می توان با استفاده از روش طبقه بندی AHP با قضاوت مبتنی بر متخصص توسعه داد.

4.4. چشم انداز تحقیقات بیشتر

از آنجایی که مدل‌سازی پلاستیک دریایی نیازمند رویکردی است که راه‌حل‌های استراتژیک را در تحلیل فضایی ترکیب می‌کند، بهبود بیشتر استراتژی پیشنهادی مورد نیاز است تا امکان استفاده از آن در سیاست‌گذاری برای تعیین مناطق اولویت را فراهم کند.

4.4.1. بداهه با مدل سازی هیدرولوژیکی و حوضه ای

انباشت زباله در مصب رودخانه را می توان از طریق یک رویکرد مبتنی بر میدان، در درجه اول شامل تجزیه و تحلیل حوزه آبخیز (DAS) محاسبه کرد. در رویکرد DAS، اولین ترسیم حوضه از دهانه هر رودخانه قابل انجام است. هر سلول از نقشه شطرنجی استفاده شده/تولید شده می تواند برای محاسبه انباشت زباله هایی که در پایین دست اتفاق می افتد، بریده شود. در این تجزیه و تحلیل مبتنی بر واحد فیزیکی، مورفومتری و ویژگی‌های حوضه، میزان زباله‌هایی را که در پایین دست انباشته می‌شوند، تعیین می‌کنند. این امر از طریق فرآیندی مشابه با تعیین میزان رسوبی که در یک حوضه آبخیز اتفاق می‌افتد در مقایسه با فرسایش کل رخ می‌دهد، زیرا بخشی از مواد فرسوده منتقل شده قبل از رسیدن به پایین دست در رودخانه ته نشین می‌شوند.

4.4.2. بداهه نوازی در تحلیل منطقه ساحلی

با توجه به پیچیدگی منطقه ساحلی، تجزیه و تحلیل منطقه ساحلی ظرفیت بهبود انباشت زباله های دریایی در مناطق ساحلی را دارد. منطقه ساحلی بر اساس شرایط محیطی متفاوت است. [ 59به طور خاص، سواحل اولیه یک منطقه ساحلی است که توسط عوامل غیر دریایی (به عنوان مثال، فرسایش زمین، رسوب، و سواحل آتشفشانی) تشکیل شده است، در حالی که ساحل ثانویه توسط فرآیندهای دریایی (به عنوان مثال، فرسایش امواج، رسوب دریایی، و ساخت ساحل توسط موجودات). انواع مختلف مناطق ساحلی تأثیرات متفاوتی بر زباله های دریایی دارند. علاوه بر این، مناطق ساحلی نیز در برابر تغییرات آب و هوایی آسیب پذیر هستند. در واقع، تخمین زده شد که تغییرات آب و هوایی تا پایان قرن بیست و یکم باعث افزایش تقریبی 40 سانتی متری سطح دریا در چندین منطقه آسیا می شود که 20 درصد آن در جنوب شرقی آسیا از جمله اندونزی رخ خواهد داد [ 60 ]]. بنابراین، تجزیه و تحلیل منطقه ساحلی، و همچنین تجزیه و تحلیل بیشتر از اثرات تحمیل شده توسط تغییرات آب و هوایی در مناطق ساحلی در منطقه اندونزی، تجزیه و تحلیل توزیع زباله های دریایی و تجمع زباله در مناطق ساحلی را بهبود می بخشد.

4.4.3. نرم افزار مدل سازی حرکت زباله در دریا

استفاده از شبیه‌سازی‌های مدل هیدرودینامیکی می‌تواند اطلاعات بیشتری در مورد الگوهای حرکت زباله‌های پلاستیکی در اقیانوس که از مصب رودخانه‌ها سرچشمه می‌گیرد، ارائه دهد. شبیه‌سازی‌های مدل هیدرودینامیکی می‌توانند دینامیک ساحل و دریا را مدل‌سازی کنند که بر الگوی حرکت زباله‌ها در منطقه آبی اطراف یا فراتر از مصب رودخانه تأثیر می‌گذارد. با شبیه‌سازی مدل هیدرودینامیکی، می‌توان مشاهده کرد که آیا زباله‌های پلاستیکی در مصب رودخانه از رودخانه بالادست سرچشمه می‌گیرد یا توسط جریان‌های اقیانوسی از مکان‌های دیگر منتقل می‌شود. علاوه بر این، می‌توانیم پیش‌بینی کنیم که کدام مناطق تحت تأثیر توزیع زباله‌های پلاستیکی در دریا قرار می‌گیرند. استفاده از رویکرد داده‌های پایه نیز با اهمیت ردیابی آلودگی پلاستیک دریایی تا پراکندگی آن در منطقه اقیانوسی که در سطح چند ملیتی گنجانده شده است، متناسب است. از این رو،

5. نتیجه گیری ها

از این مطالعه، ما یک مدل زباله جامد مصب را شامل 8688 مکان در سراسر اندونزی با رویکرد سنجش از دور فشرده ارائه می‌کنیم. این مدل عوامل محیطی، اجتماعی، جمعیتی و اقتصادی متفاوت مکانی-زمانی را به حساب می‌آورد. مناطق شهری با استفاده از نقشه‌های پوشش کاربری اراضی ترسیم می‌شوند، الگوهای اقتصادی بر اساس نقشه‌های نوری شبانه تعیین می‌شوند و تولید زباله جامد با استفاده از نقشه‌های تراکم جمعیت محاسبه می‌شود. این مدل تولید کل زباله جامد مدیریت نشده را 289 تن در روز در سراسر کشور تخمین می زند تا اولین نسل زباله های پلاستیکی در خور در یک روز به پایان برسد. با این حال، روش ارائه شده به بهبودهای بیشتری نیاز دارد زیرا تفاوت در مقایسه بین مقیاس جهانی و این نظرسنجی همچنان باقی است. برخی از جهت گیری های احتمالی آینده، ترکیب یک واحد محاسبه تولید زباله جامد مبتنی بر فرآیندهای فیزیکی، مانند استفاده از تجزیه و تحلیل حوضه (DAS) است. به جای تعیین سهم زباله جامد مصب رودخانه بر اساس اینکه آیا یک سلول محاسباتی با هر ویژگی رودخانه برخورد می کند یا خیر، فرآیندهای هیدرولوژیکی پارامتری شده در داخل یک HRU باید سهم یک سلول را در تجمع زباله جامد مصب تعیین کنند. یکی دیگر از جهت‌گیری‌های احتمالی آینده، ترکیب روش‌های یادگیری ماشینی برای پیش‌بینی تولید زباله جامد بر اساس متغیرهای پیش‌بینی‌کننده، به عنوان مثال، تراکم جمعیت، نور شبانه، و پوشش کاربری زمین است. اشکال عمده یک رویکرد دقیق این است که به شدت به قضاوت انسان متکی است، که می تواند ناخواسته سوگیری هایی را در تحلیل ایجاد کند. در مقابل، رویکردهای یادگیری ماشینی، مانند یادگیری عمیق، ارزش‌های خام را ترجیح می‌دهند، بنابراین به مدل اجازه می‌دهند از داده‌های خود بیاموزند. به عنوان یک رویکرد برای مقابله با آلودگی پلاستیک دریایی، این استراتژی می تواند در طول سیاست گذاری برای ایجاد مناطق اولویت برای مدیریت زباله های پلاستیکی اعمال شود.

مشارکت های نویسنده

آنجار دیمارا ساکتی و آپریلیا نیدیا رینستی این آزمایش ها را طراحی و طراحی کردند. آپریلیا نیدیا رینستی و آنجار دیمارا ساکتی آزمایش‌ها را انجام دادند. Aprilia Nidia Rinasti، Anjar Dimara Sakti، Elprida Agustina، Hanif Diastomo، Zuzy Anna و Ketut Wikantika داده ها را تجزیه و تحلیل کردند. Aprilia Nidia Rinasti، Anjar Dimara Sakti و Elprida Agustina مجموعه داده های پایه را پیش پردازش کردند. آپریلیا نیدیا رینستی، آنجار دیمارا ساکتی، الپریدا آگوستینا، حنیف دیاستومو، فیکری محمد، زوزی آنا و کتوت ویکانتیکا مقاله را نوشتند. همه نویسندگان مقاله را مطالعه کردند و پیشنهادهای تجدید نظر ارائه کردند. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.

منابع مالی

این پروژه در سال 2021 توسط برنامه تحقیقاتی ظرفیت سازی برای دانشمندان جوان ITB توسط موسسه تحقیقات و خدمات اجتماعی، Institut Teknologi Bandung تامین شد.

بیانیه هیئت بررسی نهادی

قابل اجرا نیست.

بیانیه رضایت آگاهانه

قابل اجرا نیست.

بیانیه در دسترس بودن داده ها

مجموعه داده‌های تولید شده در طول مطالعه فعلی و/یا تجزیه‌وتحلیل‌شده در طول مطالعه کنونی در صورت درخواست معقول از نویسنده مربوطه در دسترس است.

قدردانی

نویسندگان از حمایت موسسه تحقیقات و خدمات اجتماعی، موسسه فناوری باندونگ و کمیسیون اقتصادی و اجتماعی سازمان ملل متحد برای آسیا و اقیانوسیه (UN-ESCAP) سپاسگزار هستند. همچنین از داوران ناشناس که نظرات ارزشمندشان به ما کمک کرد تا نسخه بهبودیافته و واضح‌تری از این مقاله را تهیه کنیم، تشکر می‌کنیم. از تمامی افراد و مؤسساتی که با مهربانی داده های خود را برای این تحلیل در دسترس قرار دادند، قدردانی می شود.

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند.

منابع

  1. پلاستیک کانکتیکات پلاستیک کامل: چگونه پلاستیک زندگی ما را بهبود می بخشد. در دسترس آنلاین: https://www.pepctplastics.com/resources/connecticut-plastics-learning-center/perfect-plastic-how-plastic-improves-our-lives/ (در 25 آوریل 2020 قابل دسترسی است).
  2. نویمان، بی. وافیدیس، AT; زیمرمن، جی. نیکولز، RJ رشد جمعیت ساحلی آینده و قرار گرفتن در معرض افزایش سطح دریا و سیل ساحلی – یک ارزیابی جهانی. PLoS ONE 2015 ، 10 ، e0118571. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  3. گال، SC; تامپسون، RC تاثیر زباله ها بر زندگی دریایی. مارس آلودگی. گاو نر 2015 ، 92 ، 170-179. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  4. تامپسون، RC; اولسن، ی. میچل، RP; دیویس، ا. رولند، اس جی. جان، AWG; مک گونیگل، دی. راسل، AE گمشده در دریا: این همه پلاستیک کجاست؟ Science 2004 , 304 , 838. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  5. Lebreton، LCM; ون در زویت، جی. دامستیگ، جی.- دبلیو. اسلات، بی. آندرادی، ا. ریسر، جی. انتشار پلاستیک رودخانه به اقیانوس های جهان. نات. اشتراک. 2017 ، 8 ، 15611. در دسترس آنلاین: https://figshare.com/articles/dataset/River_plastic_emissions_to_the_world_s_oceans/4725541 (در 28 ژوئن 2021 قابل دسترسی است). [ CrossRef ] [ PubMed ]
  6. لبروتون، ال. Andrady, A. سناریوهای آینده تولید و دفع زباله های پلاستیکی جهانی. کمون پالگریو 2019 ، 5 ، 6. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  7. بروکس، آل. وانگ، اس. Jambeck, JR ممنوعیت واردات چین و تأثیر آن بر تجارت جهانی زباله های پلاستیکی. علمی Adv. 2018 , 4 , eaat0131. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  8. Rochman، CM; هو، ای. کوروبه، تی. Teh، SJ بلعیده شده پلاستیک مواد شیمیایی خطرناک را به ماهی منتقل می کند و باعث ایجاد استرس کبدی می شود. علمی Rep. 2013 , 3 , 3263. [ Google Scholar ] [ CrossRef ]
  9. ویلکاکس، سی. مالوس، نیوجرسی؛ لئونارد، GH; رودریگز، آ. دنیس هاردستی، ب. استفاده از استنباط متخصص برای برآورد اثرات آلودگی پلاستیک بر حیات وحش دریایی. سیاست مارس 2015 ، 65 ، 107-114. [ Google Scholar ] [ CrossRef ]
  10. Gillsäter، B. Ocean Sector Profile. در دسترس آنلاین: https://www.worldbank.org/en/results/2013/04/13/oceans-results-profile (در 21 اکتبر 2020 قابل دسترسی است).
  11. اکسلسون، سی. Van Sebille، E. پیشگیری از طریق سیاست: نشت های ماکروپلاستیک شهری به محیط دریایی در طول رویدادهای شدید باران. مارس آلودگی. گاو نر 2017 ، 124 ، 211-227. [ Google Scholar ] [ CrossRef ]
  12. کوبوویچ، اس. Booth, AM زیست تخریب پذیری پلاستیک: چالش ها و باورهای غلط. محیط زیست علمی تکنولوژی 2017 ، 51 ، 12058-12060. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  13. گالو، اف. فوسی، سی. وبر، آر. سانتیلو، دی. سوزا، جی. اینگرام، آی. نادال، ا. رومانو، دی. پلاستیک و میکروپلاستیک بستر دریایی و اجزای شیمیایی سمی آنها: نیاز به اقدامات پیشگیرانه فوری. Envivon. علمی یورو 2018 ، 30 ، 13. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  14. توتن، EL; Saquing، JM; Knappe، DRU؛ بارلاز، MA; جانسون، اس. بیورن، آ. رولند، اس جی. تامپسون، RC; گالووی، تی اس. یاماشیتا، آر. و همکاران انتقال و انتشار مواد شیمیایی از پلاستیک به محیط زیست و حیات وحش. فیلوس ترانس. R. Soc. B 2009 ، 364 ، 2027-2045. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  15. گرگوری، MR پیامدهای زیست‌محیطی زباله‌های پلاستیکی در محیط‌های دریایی: درهم‌تنیدگی، بلعیدن، خفه‌کردن، آویز، پیاده‌روی و تهاجمات بیگانگان. فیلوس ترانس. R. Soc. B 2009 ، 364 ، 2013-2025. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  16. Rochman، CM; براون، MA; آندروود، ای جی؛ ون فرانکر، جی. تامپسون، RC اثرات زیست محیطی زباله های دریایی: کشف شواهد نشان داده شده از آنچه درک می شود. اکولوژی 2015 ، 97 ، 302-312. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  17. Kwon، BG; کویزومی، ک. چانگ، S.-Y. کودرا، ی. کیم، J.-O. Saido، K. نظارت بر الیگومرهای استایرن جهانی به عنوان آلودگی شیمیایی جدید ناشی از آلودگی دریایی پلاستیک پلی استایرن. جی. هازارد. ماتر 2015 ، 300 ، 359-367. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  18. Zettler، ER; Mincer, TJ; آمارال زتلر، لس آنجلس زندگی در “پلاستیسفر”: جوامع میکروبی بر روی زباله های پلاستیکی دریایی. محیط زیست علمی تکنولوژی 2013 ، 47 ، 7137-7146. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  19. سیمئونوا، آ. Chuturkova، R. توزیع ماکروپلاستیک (پلاستیک های یکبار مصرف و برخی از وسایل ماهیگیری) از شمال تا جنوب سواحل دریای سیاه بلغارستان. Reg. گل میخ. مارس Sci. 2020 ، 37 ، 101329. [ Google Scholar ] [ CrossRef ]
  20. Severini، MDF; Villagran, DM; Buzzi، NS; Sartor، GC Microplastics در صدف ( Crassostrea gigas ) و آب در خور Bahía Blanca (آتلانتیک جنوب غربی): یک مسئله نوظهور نگرانی جهانی. Reg. گل میخ. مارس Sci. 2019 ، 32 ، 100829. [ Google Scholar ] [ CrossRef ]
  21. گاگو، جی. پورتلا، اس. Filgueiras، AV; پالی سالیناس، ام. Macías، D. بلع بقایای پلاستیکی (ماکرو و میکرو) توسط لنجت ماهی دراز ( Alepisaurus ferox ) در اقیانوس اطلس شمالی. Reg. گل میخ. مارس Sci. 2020 ، 33 ، 100977. [ Google Scholar ] [ CrossRef ]
  22. Pravettoni، R. زباله های پلاستیکی تولید شده و سوء مدیریت. در دسترس آنلاین: https://www.grida.no/resources/6931 (در 19 آوریل 2020 قابل دسترسی است).
  23. Jambeck، JR; گیر، آر. ویلکاکس، سی. Siegler, TR; پریمن، م. آندرادی، ا. نارایان، ر. قانون، KL ورودی زباله های پلاستیکی از خشکی به اقیانوس. Science 2015 ، 347 ، 768-771. [ Google Scholar ] [ CrossRef ]
  24. پترلیک، جی. اسماواتی، ی. دیگنگی، جی. اریسندی، پ. بل، ال. Beeler، B. مواد زائد پلاستیکی سموم زنجیره غذایی اندونزی: گزارش تخم مرغ اندونزی. نوامبر 2019، صفحات 1-20. در دسترس آنلاین: https://ipen.org/documents/plastic-waste-poisons-indonesia-food-chain (در 28 ژوئن 2021 قابل دسترسی است).
  25. کمیسر اروپا برای محیط زیست (ECC). امور دریایی و شیلات ; گزارش. اقیانوس ما؛ اتحادیه اروپا: بروکسل، بلژیک، 2016. [ Google Scholar ]
  26. مدیریت پنگلولان سمپاه; مدیر جندرال پنگلولان سمپاه; لیمباه، دان B3 Kementrian Lingkungan Hidup dan Kehutanan. Sistem Informasi Pengelolaan Sampah Nasional ; Kementerian Lingkungan Hidup dan Kehutanan: جاکارتا، اندونزی، 2021.
  27. Kementerian Perencanaan Pembagunan Nasional Republik اندونزی; بادان پرنکانان پمبانگونان ناسیونال. اهداف توسعه پایدار ; Badan Perencanaan Pembagunan Nasional: جاکارتا، اندونزی، 2017.
  28. سازمان ملل. اهداف توسعه پایدار ; سازمان ملل: نیویورک، نیویورک، ایالات متحده آمریکا، 2018. [ Google Scholar ]
  29. اطلس زباله در دسترس آنلاین: https://www.atlas.d-waste.com/ (دسترسی در 10 مه 2020).
  30. کوزار، آ. اچواریا، اف. گونزالس-گوردیلو، جی. ایریگوین، ایکس. اوبدا، بی. هرناندز-لئون، اس. پالما، Á.T. ناوارو، اس. گارسیا دی لوماس، جی. رویز، ا. و همکاران زباله های پلاستیکی در اقیانوس باز. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2014 ، 111 ، 10239–10244. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. موی، ک. نیلسون، بی. چانگ، ا. میدوز، ا. کسترنس، ام. امباگیس، س. دیویدسون، ک. نقشه برداری زباله های دریایی ساحلی با استفاده از تصاویر هوایی و تجزیه و تحلیل فضایی. مارس آلودگی. گاو نر 2018 ، 132 ، 52-59. [ Google Scholar ] [ CrossRef ]
  32. کوردووا، ام آر. Nurhati، IS منابع اصلی و تغییرات ماهانه در انتشار زباله‌های دریایی از منطقه بزرگ جاکارتا، اندونزی. علمی Rep. 2019 , 9 , 18730. [ Google Scholar ] [ CrossRef ]
  33. نقشه خیابان را باز کنید. GEOFABRIK دانلودها: آسیا. در دسترس آنلاین: https://download.geofabrik.de/asia.html (در 24 مارس 2020 قابل دسترسی است).
  34. آزمایشگاه اتصال فیس بوک و مرکز شبکه بین المللی اطلاعات علوم زمین-CIESIN-دانشگاه کلمبیا. لایه حل با وضوح بالا (HRSL). تصویر منبع برای HRSL © 2021 DigitalGlobe. 2016. در دسترس آنلاین: https://www.ciesin.columbia.edu/data/hrsl/ (در 1 مه 2020 قابل دسترسی است).
  35. ESA ابتکار تغییر آب و هوا. محصولات CCI-LC. در دسترس آنلاین: https://www.esa-landcover-cci.org/?q=node/164 (در 21 ژانویه 2020 قابل دسترسی است).
  36. MODIS. MODIS/Terra+Aqua Land Cover نوع سالانه L3 Global 500m SIN Grid V006. در دسترس آنلاین: https://catalog.data.gov/dataset/modis-terraaqua-land-cover-type-yearly-l3-global-500m-sin-grid-v006 (در 1 مه 2020 قابل دسترسی است).
  37. دفتر امور فضایی سازمان ملل متحد. نقشه جهانی-پوشش زمین جهانی (GLCNMO) (ISCGM). در دسترس آنلاین: https://www.un-spider.org/links-and-resources/data-sources/global-map-global-land-cover-glcnmo-iscgm (در 1 مه 2020 قابل دسترسی است).
  38. سازمان ملی اقیانوسی و جوی. کاتالوگ موتور زمین: VIIRS Nighttime Day/Night Band Composites نسخه 1. در دسترس آنلاین: https://developers.google.com/earth-engine/datasets/catalog/NOAA_VIIRS_DNB_MONTHLY_V1_VCMCFG?hl=en (در 9 فوریه 202 قابل دسترسی است).
  39. Badan Informasi Geospasial. پتا روپابومی اندونزی در دسترس آنلاین: https://tanahair.indonesia.go.id/portal-web (در 10 ژانویه 2020 قابل دسترسی است).
  40. پکل، J.-F. کوتام، ا. گولیک، ن. Belward، AS نقشه برداری با وضوح بالا از آب های سطحی جهانی و تغییرات طولانی مدت آن. طبیعت 2016 ، 540 ، 418-422. [ Google Scholar ] [ CrossRef ]
  41. زمین طبیعی خط ساحلی در دسترس آنلاین: https://www.naturalearthdata.com/downloads/ (در 22 ژانویه 2020 قابل دسترسی است).
  42. بارباروسا، وی. Huijbregts، MAJ; بوسن، AHW; بک، او؛ کینگ، اچ. Schipper، AM FLO1K، نقشه های جهانی میانگین، حداکثر و حداقل جریان سالانه با وضوح 1 کیلومتر از سال 1960 تا 2015. Sci. داده 2017 ، 5 ، 180052. موجود به صورت آنلاین: https://figshare.com/articles/dataset/FLO1K_-_Maximum_Annual_Flow_Time_Series_1960-2015/5688919 (دسترسی در 28 ژوئن 202). [ CrossRef ] [ PubMed ]
  43. میلز، LS; زیمووا، م. اویلر، جی. دویدن، اس. آباتزغلو، جی تی; Lukacs, PM عدم تطابق استتار در رنگ کت فصلی به دلیل کاهش مدت زمان برف. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2013 ، 110 ، 11660–11661. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  44. Beyer، تمرکز اقتصادی آسیای جنوبی RCM ، پاییز 2017: رشد از آبی ; بانک جهانی: واشنگتن دی سی، ایالات متحده آمریکا؛ صص 1-22.
  45. دای، ز. هو، ی. ژائو، جی. مناسب بودن داده های مختلف نور شبانه برای تخمین تولید ناخالص داخلی در مقیاس های مختلف فضایی و سطوح منطقه ای. پایداری 2017 ، 9 ، 305. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  46. هو، ی. یائو، جی. رشد اقتصادی روشنگر . سند کاری صندوق بین المللی پول 2019/19/77; صندوق بین المللی پول: واشنگتن دی سی، ایالات متحده آمریکا، 2019؛ صص 1-56. [ Google Scholar ]
  47. گولیک، ن. هنچر، م. دیکسون، ام. ایلیوشچنکو، اس. تاو، دی. Moore, R. Google Earth Engine: تجزیه و تحلیل جغرافیایی در مقیاس سیاره ای برای همه. سنسور از راه دور محیط. 2017 ، 202 ، 18-27. [ Google Scholar ] [ CrossRef ]
  48. SNI 10-3983-1995. Spesifikasi Timbulan Sampah Kota Sedang dan Kota Kecil ; Badan Standardisasi Nasional: جاکارتا، اندونزی، 1995; در دسترس آنلاین: https://pesta.bsn.go.id/produk/detail/4328-sni19-3983-1995 (دسترسی در 28 ژوئن 2021).
  49. آمار بادان پوسات. Statistik Indonesia 2018. موجود به صورت آنلاین: https://www.bps.go.id/ (دسترسی در 10 ژانویه 2020).
  50. رینستی، ع. ساکتی، م. آگوستینا، ای. Wikantika، K. توسعه روش های داده برای انباشت مدل سازی زباله های پلاستیکی با استفاده از محیط زیست و محصول داده های اجتماعی-اقتصادی. IOP Conf. سر. محیط زمین. علمی 2020 , 592 , 012013. [ Google Scholar ] [ CrossRef ]
  51. SNI 03-1733-2004. Tata Cara Perencanaan Lingkungan Perumahan di Perkotaan ; Badan Standardisasi Nasional: جاکارتا، اندونزی، 2004. [ Google Scholar ]
  52. اولانرواجو، ال. باباتوند، بدون مدل سازی فضایی فعالیت اقتصادی در نیجریه با استفاده از تولید ناخالص داخلی جمعیت فعال اقتصادی. IOSR J. Humanit. Soc. علمی (IOSR-JHSS) 2015 ، 20 ، 66-72. [ Google Scholar ]
  53. شوکر، IG; کادمن، کالیفرنیا اندونزی—ارزیابی سریع نقطه داغ زباله های دریایی: گزارش ترکیبی . گزارش کارنامه شماره 126686; گروه بانک جهانی: واشنگتن دی سی، ایالات متحده آمریکا، 2018; جلد 1، ص 1-46. [ Google Scholar ]
  54. بانک جهانی. حساب های ملی OECD رشد تولید ناخالص داخلی (سالانه %) – اندونزی. در دسترس آنلاین: https://data.worldbank.org/indicator/NY.GDP.MKTP.KD.ZG?locations=ID (در 19 مه 2020 قابل دسترسی است).
  55. ICRAF; مرکز جهانی کشاورزی. پاداش دهی به کشاورزان برای کاهش رسوب، اندونزی [pdf]. در دسترس آنلاین: https://oppla.eu/casestudy/17593 (در 20 مه 2020 قابل دسترسی است).
  56. زراعت پیشه، م. خالدیان، ی. ابراهیمی، س. شیخ پور، ح. بهتری نژاد، ب. تأثیر جنگل زدایی بر فرسایش خاک، رسوبات و برخی کیفیت آب نشان می دهد. در مجموعه مقالات اولین کنفرانس بین المللی بحران زیست محیطی و راه حل های آن، جزیره کیش، ایران، 13 فوریه 2013; ص 602-607. [ Google Scholar ]
  57. Restrepo، JD; کتنر، ای جی; Syvitski، JPM جنگل زدایی اخیر باعث افزایش سریع بار رسوب رودخانه در آند کلمبیا می شود. Anthropocene 2015 ، 10 ، 13-28. [ Google Scholar ] [ CrossRef ]
  58. لبروتون، ال. ایگر، م. Slat, B. بودجه انبوه جهانی برای زباله های ماکروپلاستیک شناور مثبت در اقیانوس. علمی جمهوری 2019 ، 9 ، 12922. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  59. شپرد، FP زیردریایی زمین شناسی ، ویرایش 3. هارپر و رو: نیویورک، نیویورک، ایالات متحده آمریکا، 1973. [ Google Scholar ]
  60. کروز، RV; هاراساوا، اچ. لعل، م. وو، اس. آنوخین، ی. پونسالما، بی. هوندا، ی. جعفری، م. لی، سی. هوو نین، شمال آسیا. تغییرات آب و هوایی: تأثیرات، سازگاری و آسیب پذیری. مشارکت گروه کاری دوم در چهارمین گزارش ارزیابی گروه بین دولتی در مورد تغییرات آب و هوایی . Parry, ML, Canziani, OF, Palutikof, JP, van der Linden, PJ, Hanson, CE, Eds. انتشارات دانشگاه کمبریج: کمبریج، انگلستان، 2007; صص 469-506. [ Google Scholar ]
Ijgi 10 00481 g001 550
شکل 1. چارچوب کلی این مطالعه.
Ijgi 10 00481 g002 550
شکل 2. پارامتر محصول داده سنجش از دور در منطقه جاکارتا: ( A ) LULC: ESA CCI-LC ( B ) LULC: GLCNMO ( C ) LULC: MODIS ساخته شده، ( D ) تراکم جمعیت: CIESIN-Facebook Connectivity Lab، و ( E ) نور شب: VIIRS.
Ijgi 10 00481 g003 550
شکل 3. فلوچارت انتخاب منبع داده با مرزهای منطقه منطقه.
Ijgi 10 00481 g004 550
شکل 4. تولید زباله پلاستیکی به ازای هر منطقه منطقه در اندونزی بر حسب تن به صورت روزانه.
Ijgi 10 00481 g005 550
شکل 5. شاخص بالقوه تولید زباله های پلاستیکی در اندونزی از سه جنبه.
Ijgi 10 00481 g006 550
شکل 6. وزن بالقوه در هر منطقه تولید زباله پلاستیکی به طور کلی.
Ijgi 10 00481 g007 550
شکل 7. جریان زباله های پلاستیکی از جریان جریان (تن/روز).
Ijgi 10 00481 g008 550
شکل 8. زباله های پلاستیکی انباشته شده از جریان جریان از طریق مصب.
Ijgi 10 00481 g009 550
شکل 9. توسعه سناریوهای زباله پلاستیکی از جریان جریان از طریق مصب: ( الف ) سناریوی کم در 15٪. ( ب ) سناریوی موردی متوسط ​​در 30%; ( C ) سناریوی مورد بالا در 45٪.
Ijgi 10 00481 g010 550
شکل 10. انباشت زباله های پلاستیکی از خور جریان رودخانه در هر منطقه ساحلی بر اساس سناریو 3.
Ijgi 10 00481 g011 550
شکل 11. مقایسه Lebreton و همکاران. [ 5 ] داده های ورودی (2017) و مصب کلی اندونزی بر اساس نمودار پراکندگی.
Ijgi 10 00481 g012 550
شکل 12. مقایسه Lebreton و همکاران. [ 5 ] داده های ورودی (2017) و مصب کلی اندونزی بر اساس شناسه نقطه خور.
Ijgi 10 00481 g013 550
شکل 13. مقایسه نتایج تحقیق تجمع زباله های پلاستیکی در مصب خلیج جاکارتا.
Ijgi 10 00481 g014 550
شکل 14. مقایسه بین محصولات FLO1K [ 42 ] جریان سالانه از طریق شاخص پتانسیل.

دسته‌بندی نشده

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید