نقشه برداری GIS رویداد پر سر و صدا کوتاه مدت شب دیوالی در شهر لاکنو

سر و صدا یک مشکل جهانی است که به ویژه در کشورهای در حال توسعه مانند هند برجسته است. رویدادهای کوتاه مدت حساس به سر و صدا مانند شب سال نو، مسابقات دربی، شب دی جی، شب دیوالی (جشن با فشفشه) در هند و غیره در مدت کوتاهی سر و صدای زیادی ایجاد می کنند. نیاز به ارائه سیستمی وجود دارد که بتواند سطح نویز یک منطقه را برای مدت کوتاهی پیش بینی کند و تغییرات جزئی آن را نشان دهد. نقشه‌های گوگل مبتنی بر GIS (سیستم اطلاعات جغرافیایی) برای داده‌های زمین و جمع‌آوری غیرمستقیم یا جمع‌آوری داده‌های نویز می‌توانند بر این چالش تا حد زیادی غلبه کنند. نویسندگان سعی کرده‌اند شب پر سر و صدای دیوالی را برای لاکنو، شهر شمالی هند ترسیم کنند. داده های نویز برای 750 نقطه داده با استفاده از تکنیک درون یابی مدل سازی پیش بینی شد. یک نقشه نویز برای این شب دیوالی با استفاده از تکنیک جمع یابی برای شب دیوالی ایجاد می شود. نتایج همچنین با 50 نقطه آزمایش متفاوت بود و در 4.4 ± دسی بل یافت شد. علاوه بر این، یک نقشه نویز نیز برای همان سایت با استفاده از داده های غیرمستقیم نویز تولید شده از داده های منبع باز آلودگی هوا ایجاد شده است. نقشه نویز تولید شده نیز با 50 نقطه آزمایش تایید شده و ± 6.2 دسی بل است. نتایج همچنین با گزارش بررسی ارزیابی سلامت ساکنان مناطق مجاور تأیید می شود. داده های نویز برای 750 نقطه داده با استفاده از تکنیک درون یابی مدل سازی پیش بینی شد. یک نقشه نویز برای این شب دیوالی با استفاده از تکنیک جمع یابی برای شب دیوالی ایجاد می شود. نتایج همچنین با 50 نقطه آزمایش متفاوت بود و در 4.4 ± دسی بل یافت شد. علاوه بر این، یک نقشه نویز نیز برای همان سایت با استفاده از داده های غیرمستقیم نویز تولید شده از داده های منبع باز آلودگی هوا ایجاد شده است. نقشه نویز تولید شده نیز با 50 نقطه آزمایش تایید شده و ± 6.2 دسی بل است. نتایج همچنین با گزارش بررسی ارزیابی سلامت ساکنان مناطق مجاور تأیید می شود. یک نقشه نویز نیز برای همان سایت با استفاده از داده های غیرمستقیم نویز تولید شده از داده های منبع باز آلودگی هوا ایجاد شده است. نقشه نویز تولید شده نیز با 50 نقطه آزمایش تایید شده و ± 6.2 دسی بل است. نتایج همچنین با گزارش بررسی ارزیابی سلامت ساکنان مناطق مجاور تأیید می شود. یک نقشه نویز نیز برای همان سایت با استفاده از داده های غیرمستقیم نویز تولید شده از داده های منبع باز آلودگی هوا ایجاد شده است. نقشه نویز تولید شده نیز با 50 نقطه آزمایش تایید شده و ± 6.2 دسی بل است. نتایج همچنین با گزارش بررسی ارزیابی سلامت ساکنان مناطق مجاور تأیید می شود.

کلید واژه ها:

GIS _ تکنیک جمع‌سپاری ؛ آلودگی صوتی ؛ نگاشت رویداد کوتاه مدت ; شب دیوالی ؛ فشفشه

چکیده گرافیکی

1. مقدمه

با افزایش جمعیت، مردم بیشتر به سمت فناوری رایج حرکت می کنند، اما پیامدهای سلامتی مختلفی با چنین فناوری های مدرن همراه است. به عنوان مثال، نوسازی سطوح سر و صدا را افزایش داده است و این باعث برخی از مشکلات بهداشتی شدید می شود. الگوی استفاده از زمین در کشورهای در حال توسعه به دلیل الگوهای کاربری مخلوط و پارامترهای زمین سازمان‌یافته، تأثیر نامطلوبی بر سلامت می‌گذارد [ 1 ]. این گذرگاه مناسبی را برای انتشار نویز فراهم نمی کند که منجر به تأثیرات نویز مکرر در یک مکان می شود. مزاحمت های موجود در محیط شهر به طور قابل توجهی بر سلامت تأثیر می گذارد [ 2 ]. پیامدهای سلامتی مانند وزوز گوش، اختلالات خواب، فشار خون بالا در افرادی که در نزدیکی گذرگاه زندگی می‌کنند و بیشتر در معرض سر و صدای جاده هستند، بارزتر است.3 ]. ضرورت اندازه‌گیری سطوح آلودگی صوتی در یک منطقه روز به روز در حال افزایش است و بنابراین، مدل‌های مختلفی توسط محققان برای نشان دادن رابطه بین پیامدهای سلامتی و قرار گرفتن در معرض صدا با کمک فاصله اطمینان [ 4 ] استخراج می‌شود. بسیاری از شواهد سر و صدای ترافیک را با بیماری‌های ایسکمیک یا بیماری‌های قلبی عروقی مرتبط می‌دانند، ارتباط با فشار خون در مورد اثرات سلامتی صدای راه‌آهن متناقض است [ 5 ، 6 ]. در موارد خاص مانند مراسم جشن، جشن‌ها، ازدواج‌ها که در آن از ترقه استفاده می‌شود منجر به رویدادهای حساس به سروصدا با فاصله کوتاه می‌شود و همچنین پیامدهای سلامتی مختلفی مانند سر و صدای جاده دارد [ 7 ]]. یکی از اهداف اصلی که باید استخراج شود، ارائه مدلی برای جلوگیری از عللی مانند اختلالات خواب در میان افراد سالمند است [ 8 ]. استراتژی های عمده ای که باید برای مقابله با چنین مسائلی ایجاد شود، نیاز به نظارت و تجزیه و تحلیل دقیق منابع نویز و تعیین انتشار نویزها به مکان های اطراف دارد. سطوح مختلف نویز را می توان به راحتی با استفاده از مدل های تجربی یا نیمه تجربی مختلف پیش بینی کرد. پیش‌بینی نویز به داده‌های زمین، داده‌های نویز و یک مدل پیش‌بینی نیاز دارد. وابستگی داده های زمین برای مدل سازی نویز را می توان از طریق گرفتن مستقیم و غیرمستقیم با دوربین، سیستم های پهپاد و غیره انجام داد .]. نظارت بر نویز نیز به دلیل ماهیت گذرا دشوار است و با دقت بهتر نیاز به سنج سطح صدا-SPL گران قیمت دارد. ضبط نویز مبتنی بر گوشی های هوشمند یک راه حل است اما عدم دقت جمع آوری داده ها یک مشکل است [ 10 ]. با این حال، چالش جمع آوری داده ها برای تعداد زیادی از نقاط را می توان از طریق پیش بینی حل کرد [ 11 ]. یک روش غیرمستقیم برای بازیابی داده های صوتی از آلودگی هوا می تواند برای این SNSE در نظر گرفته شود. جمع سپاری کارآمد از طریق وب طیف گسترده ای از امکانات را برای کاوش داده های نظارت شده برای نقشه برداری سطوح نویز در شهرهای مختلف ارائه می دهد [ 12 ]]. نویسندگان سعی کرده اند SNSE را با استفاده از تکنیک مبتنی بر گوشی هوشمند نظارت و نقشه برداری کنند. انتشار نقشه و نمایش بدتر شدن سطح نویز نیز یک نیاز است [ 13 ]. نقشه‌برداری مبتنی بر GIS داده‌های شبیه‌سازی‌شده عددی را از طریق برنامه‌های نرم‌افزاری که عمدتاً برای فعالیت‌های نقشه‌برداری نویز محیطی پیشرفته هستند، فراهم می‌کند. از اصول آکوستیک مشتق شده از منابع منحصر به فرد استفاده می کند [ 14 ]. با اطلاعات ارائه شده در بالا، نویسندگان در شهر لاکنو نظارت دارند. یک تحقیق منسجم در کلان شهر بنگال غربی انجام شد که در آن سری زمانی و توزیع نویز فضایی سر و صدای ترافیک در خیابان و ساختمان‌های مجاور با استفاده از SPL به دست آمد و بر روی یک پلت فرم وب با استفاده از GIS ترسیم شد [ 15 ].]. از سوی دیگر، در کلان‌شهرهای نیجریه، همین داده‌ها روی پلت فرم GIS ثبت و تحریک شدند. در پلت فرم GIS، درون یابی های IDW برای نقشه ایجاد شد، و یک تغییر الهام گرفته شده به مجموعه ای منطبق با WHO تبدیل شد که به دلیل مزاحمت های استفاده از درون یابی فضایی شناخته شده بود [ 16 ]. گذشته از آن، چند نفر از نظرسنجی های پرسشنامه ای برای ارزیابی سطح نویز یک مکان استفاده کرده اند. با این حال، نتایج نظرسنجی محدود به یک بخش خاص و ناتوانی در به خاطر سپردن است [ 17 ]. آنها یک حس کاملا متوسط از نویز برای منطقه و ناتوانی آن در به خاطر سپردن پارامترهای زمین ارائه کردند [ 18 ]]، و مناسبت های مختلف در طول دوره و مکان. هدف اولیه پلتفرم GIS مبتنی بر وب، ارائه یک پلت فرم قابل دسترسی برای تولید نقشه و قابل مشاهده آسان از طریق بستر وب با کمک کاربر است. با کمک پلت فرم GIS که با وب ارتباط برقرار می کند، انواع مختلفی از پارامترهای آماری یا زمینی را می توان با کمک به مرجع فضایی بارگذاری کرد، نقشه برداری کرد و به راحتی برای به اشتراک گذاری داده ها قابل دسترسی و ردیابی است [ 19 ]. این شامل مجموعه ای از خدمات مبتنی بر وب است که اطلاعات و قابلیت ها را به مشتریان برنامه ریزی شده نرم افزار شبکه ای ارائه می دهد [ 20 ]. پلت فرم وب مبتنی بر GIS به عنوان یک پلت فرم برای یکپارچگی عمل می کند، ارتباطات بین سازمانی را تشویق می کند و امکان تصمیم گیری بهتر را فراهم می کند [ 21 ]]. در مورد نقشه‌برداری وب اساساً، داده‌های جمع‌آوری‌شده و نقشه‌برداری شده باید از طریق بستر وب تحریک شوند تا توسط کاربران مختلف در سراسر جهان قابل مشاهده باشند. در مورد تکنیک نقشه‌برداری وب، کاربران در سراسر سازمان جهان می‌توانند داده‌ها را جمع‌آوری کرده و در همان پلتفرم وب آپلود کنند [ 22 ]. نمودار جریان نگاشت مشترک داده‌های نویز را نشان می‌دهد که می‌تواند منتشر شود و توسط کاربران مختلف قابل مشاهده باشد. استفاده از نرم‌افزار Arc Info یا ArcView که از طریق مجوز ارائه می‌شود، کاربر را قادر می‌سازد تا نما را تغییر داده و تبدیل کند تا داده‌ها را در قالب مورد نیاز بررسی کند [ 23 ]. پردازش تصویر شطرنجی از طریق GIS در حین استخراج جاده های ساختمان و غیره برای تولید نقشه برداری [ 24 ]]. این سرور تعاملی مبتنی بر وب با ارائه پیوندهایی به نقشه برداری تعاملی GIS و دانلود داده های GIS، کاربران را در معرض انواع وب سایت ها قرار می دهد [ 10 ].

محققان از مدل های مختلف به طور موثر برای تعیین داده های نویز و ایجاد نقشه های نویز استفاده کرده اند. این مدل سازی را می توان با استفاده از دو تکنیک زیر انجام داد:

–: پیش بینی نویز مبتنی بر درون یابی
–: پیش‌بینی نویز مبتنی بر مدل‌سازی صوتی

درون یابی روشی برای تولید نمونه از مقادیر در متغیرهای الگوی دور است. متغیرهای نمونه مکان‌هایی هستند که داده‌های یک پدیده را جمع‌آوری کرده و مختصات مکانی را ذخیره می‌کنیم. مدل پیش‌بینی نویز یکی از مهم‌ترین تکنیک‌های لازم برای تصمیم‌گیری برای کاهش اثرات منفی نویز و کنترل آن است [ 25 ].

1.1. مدل سازی نویز و وابستگی به داده های آن

مدل‌سازی نویز در درجه اول به داده‌های زمین و داده‌های نویز بستگی دارد، علاوه بر این، داده‌های نویز را می‌توان با تکنیک مستقیم (جمع‌آوری داده‌های نویز مبتنی بر جمعیت) و تکنیک غیرمستقیم جمع‌آوری داده‌های نویز مدیریت کرد. وابستگی به داده های زمین و نویز مهم است.

–: وابستگی به داده های نویز:
–: روش مستقیم جمع آوری داده های نویز برای نقشه برداری نویز (با استفاده از داده های نویز منبع جمعیت)
–: روش غیر مستقیم مدل‌سازی نویز با داده‌های کیفیت هوا.

تکنیک نگاشت نویز منبع انبوه، تکنیکی است که در آن داده های نویز توسط کاربران جمع آوری شده و به وب ارسال می شود. پلتفرم وب داده ها را در همان رابط ذخیره می کند که کاربر در حال بارگذاری داده ها از منابع مختلف است. اینها همچنین داده های سری زمانی هستند و باید در زمان واقعی قبل از آپلود آن در وب اصلاح شوند. ارتقا و آپلود داده ها مستلزم بررسی داده ها است. جمع‌سپاری روشی است که بر الگوی تصحیح داده‌هایی که با بازبینی و تحریک آن‌ها در یک محدوده خاص آپلود شده‌اند تأکید می‌کند ( شکل 1 ).

1.2. روش غیر مستقیم مدل‌سازی نویز با داده‌های کیفیت هوا

ونکاتا و همکاران (2013) آزمایش‌هایی را برای به دست آوردن تغییرات متغیر در ویژگی‌های آئروسل، غلظت و ذرات تشعشعی در هوا به دلیل ترقه‌ها در دیوالی بررسی و انجام داده است [ 27 ]. این ارزیابی بر اساس شش روز تجزیه و تحلیل فشرده آلاینده‌های مختلف مانند کربن سیاه، ذرات معلق و عمق نوری آئروسل برای ثبت تغییرات شدید آتش‌بازی از قبل از دیوالی تا پس از دیوالی بود. همچنین افزایش عمده ای در انتشار گازهای هوا مانند سطوح SO ₂_و NOx وجود دارد که استانداردهای ملی کیفیت هوای محیط را برآورده می کند [ 28 ]]. چنین رویدادهای آلودگی هوا ناشی از جشن می تواند پیامدهای سلامتی عمده ای داشته باشد، به ویژه برای بیماری های تنفسی و قلبی عروقی جمعیت محلی [ 3 ]. آلودگی هوای محیط یکی از جدی ترین خطرات بهداشت محیطی است. این امر روز به روز بیشتر می شود و تأثیر قابل توجهی بر سلامت انسان دارد. طبق یک نظرسنجی در سال 2017، قرار گرفتن در معرض PM _2.5عامل بیش از 3 میلیون کشته در سراسر جهان بود. استفاده از آتش بازی در این فعالیت ها باعث تولید دود می شود که می تواند به طور موقت غلظت PM را افزایش دهد. تأثیر استفاده از آتش بازی (و آتش بازی) تأثیر منفی بر کیفیت هوا، روشنایی و سلامت انسان دارد. شواهد زیادی وجود دارد که نشان می دهد این رویدادها حاوی سموم زیادی هستند و در نتیجه ممکن است تشعشعات چند آلاینده زیادی وجود داشته باشد [ 29 ]. غلظت آلاینده ها (مانند PM _2.5 ، PM ₁₀ و _NOx) قبل و مدت کوتاهی پس از نمایش آتش بازی به میزان قابل توجهی افزایش می یابد، به دنبال آن بازگشت به مقادیر پایه، معمولاً در عرض 24 ساعت. در طول نمایش آتش بازی، اوج غلظت آلاینده می تواند 2 تا 8 برابر بیشتر از سطح محیط باشد. بنابراین نویسندگان فهرستی از اهداف تحقیقاتی بالقوه را برای درک بهتر اثرات آتش بازی و آتش‌بازی بر سلامت انسان و محیط ارائه می‌کنند [ 30 ].

در مورد نقشه برداری نویز، ما در درجه اول ملزم به ترکیب داده های زمین و داده های نویز هستیم. داده‌های نویز منابع مختلف یکپارچه می‌شوند و سپس داده‌های زمین و نویز در مدل انتشار نویز برای پیش‌بینی سطح نویز در محل مورد نظر گنجانده می‌شوند. با توسعه یک مدل انتشار نویز، می‌توانیم حتی برای مکان‌هایی که داده‌های نویز نداریم، نویز را پیش‌بینی کنیم. پیش بینی ها را می توان به عنوان یک نقشه نویز نمایش داد. نویسندگان در اینجا سعی کرده اند در این مقاله همین کار را انجام دهند. در این مقاله، نویسندگان تکنیک جدیدی را برای پیش‌بینی سطوح نویز حتی در رویدادهای نویز کوتاه‌مدت مانند دیوالی پیشنهاد کرده‌اند، که در آن جمع‌آوری داده‌های مربوط به نویز بسیار دشوار است. بنابراین، برای حل این موضوع، نویسندگان سعی کرده اند تا داده های نویز را به طور غیر مستقیم با استفاده از کیفیت هوا جمع آوری کنند. در طول شب دیوالی، سطح صدا و آلاینده های هوا به همان نسبت افزایش می یابد. بنابراین با اندازه‌گیری سطح آلاینده‌های هوا می‌توان داده‌های نویز را جمع‌آوری کرد و از این داده‌ها برای پیش‌بینی سطوح صدا در یک منطقه خاص استفاده کرد.

2. شکاف تحقیق

نقشه برداری نویز به داده های نویز دقیق نیاز دارد. نقشه های نویز را می توان با استفاده از یک پلت فرم GIS که داده های نویز را در یک منطقه وسیع محاسبه می کند، توسعه داد. پیش از این محققین از تکنیک ابتدایی جمع آوری داده ها با استفاده از فشارسنج گران قیمت صوت استفاده می کردند که به دلیل حساسیت و هزینه آن نیاز به زمان و مراقبت بیشتری دارد.

نویسندگان می دانند که جمع آوری داده ها باید در مکان های استراتژیک انجام شود. در مورد شب دیوالی، که SNSE به جمع آوری داده های گسترده در یک دوره بسیار کوتاه در طول رویداد نیاز دارد. برای شب دیوالی، این ممکن است از طریق تکنیک های جمع آوری شده به دست آید. به ابزار دقیق و پشتیبانی لجستیکی زیادی نیاز دارد.

کار فوق دشوار است، نیاز به نظارت دقیق در هر مکان رویداد دارد. بنابراین، نیاز به یک تکنیک جایگزین با استفاده از داده‌های غیرمستقیم منبع باز وجود دارد. ادبیات نشان می دهد که بدتر شدن کیفیت نویز با کیفیت هوا ارتباط زیادی دارد [ 15 ]. بنابراین، لازم است که رابطه بین تغییر در سطح نویز در مقابل تغییر در پارامترهای کیفیت هوا برای SNSE (دیوالی) کشف شود.

نویسندگان سعی خواهند کرد تکنیکی را بیابند که می تواند میزان آلودگی صوتی را در شهر LUCKNOW برای SNSE مانند شب دیوالی اندازه گیری کند. نقشه‌های نویز با توجه به مشارکت عموم مردم برای نقشه‌برداری مشارکتی با جمع‌آوری داده‌ها در مکان‌های منبع مربوطه، منبع‌جمعی هستند. هر زمان که روش جمع‌آوری‌شده امکان‌پذیر نباشد، روش جمع‌آوری داده‌های غیرمستقیم جایگزین ممکن است اعمال شود.

SNSE—نقشه‌برداری نویز با استفاده از داده‌های نویز منبع‌جمعی: داده‌های نویز برای SNSE مانند شب دیوالی در شهر لاکنو باید از طریق تکنیک جمع‌آوری نویز مبتنی بر جمع‌سپاری جمع‌آوری شود. برای جمع‌آوری داده‌ها می‌توان از یک برنامه ارزان‌قیمت، راحت، SBNC استفاده کرد که می‌توان آن را قبل از نقشه‌برداری کالیبره کرد. داده‌های جمع‌آوری‌شده با پشتیبانی از داده‌های زمین منبع باز (تصاویر Google Earth) سطوح نویز را در مکان‌های مختلف پیش‌بینی می‌کنند.
استفاده از داده‌های نویز منبع باز غیرمستقیم برای نگاشت نویز SNSE: هر زمان که تکنیک منبع‌جمعی برای ارائه داده‌های نویز عملی نباشد، باید یک روش جمع‌آوری نویز جایگزین تعیین شود. سطح سر و صدا در طول شب دیوالی به طور قابل توجهی تغییر می کند، بنابراین پارامترهای کیفیت هوا با ترکیدن ترقه ها تغییر می کند. یک رابطه بین تغییر کیفیت هوا در مقایسه با کیفیت نویز در طول SNSE لازم است ایجاد شود. سوابق افزایش قابل توجه پارامترهای کیفیت هوا در طول SNSE-Diwali همراه با سطوح نویز سرنخ تعیین رابطه را ارائه می دهد. پس از ایجاد آن می توان برای تخمین نقشه نویز برای شب دیوالی با استفاده از تغییر در داده های کیفیت هوا استفاده کرد.

پیش‌بینی نقشه‌های نویز برای SNSE-شب‌های دیوالی- نیز باید با داده‌های میدانی و اثرات نامطلوب سلامتی که ساکنان نزدیک رویدادها تجربه می‌کنند تأیید شود.

3. روش شناسی

هدف اصلی این مطالعه ترسیم SNSE مانند شب دیوالی، شب سال نو، مسابقه دربی، شب دی جی و غیره است. نویسندگان شب دیوالی را برای نقشه برداری SNSE انتخاب کردند.

انتخاب سایت شامل انتخاب Lucknow، یک شهر شمال هند برای نقشه برداری SNSE در طول دیوالی است. به منظور توسعه نقشه نویز، سه جزء اساسی، یعنی داده های نویز، داده های زمین و مدل نویز مورد نیاز است. جمع‌آوری داده‌ها شامل جمع‌آوری داده‌های نویز منبع مستقیم و جمع‌آوری داده‌های نویز منبع غیرمستقیم (هر زمان که جمع‌آوری داده‌های نویز مستقیم امکان‌پذیر نباشد) است. داده های نویز مستقیم در ارتفاع 1 متری از سطح زمین جمع آوری شد.

اهمیت اصلی به جمع آوری داده های نویز برای رویداد کوتاه مدت نویز (SNSE) داده می شود. داده‌های نویز از طریق تکنیک‌های جمع‌آوری‌شده از محل عبور Haniman در شهر Lucknow جمع‌آوری شد. داده‌های نویز 40 نقطه منبع (نزدیک به انفجار ترقه‌ها) و 760 نقطه گیرنده با استفاده از Smartphone NC (برنامه ضبط سطح نویز مبتنی بر تلفن هوشمند) ثبت شد. داده‌های نویز جمع‌آوری‌شده قبل از معرفی در داخل مدل پیش‌بینی نویز، با یک SPL متر استاندارد در یک محفظه آنکوئیک کالیبره می‌شوند. داده های زمین را می توان به راحتی از تصاویر منبع باز Google Earth بدست آورد. نویسندگان از الگوریتم استخراج داده های زمین خود از پلت فرم GIS استفاده کردند که در کار قبلی آنها توضیح داده شده است ( شکل 2 ).

جمع آوری داده های غیرمستقیم نویز پس از مشاهده تغییر در پارامترهای کیفیت هوا انجام شد. تغییرات شب‌های دیوالی و شب‌های دیگر در رابطه با داده‌های سطح نویز برای ایجاد رابطه مشاهده شد. داده های غیرمستقیم کیفیت هوا در مقابل کیفیت صدا از گزارش IITR (موسسه تحقیقات سم شناسی هند) برای 9 مکان برای سال 2019 در شهر لاکنو به دست آمده است.

مدل‌سازی نویز با استفاده از تکنیک مدل‌سازی-cum-interpolation انجام می‌شود. نقشه برداری برای موقعیت های خاص مانند دیوالی با استفاده از داده های نویز انجام می شود که با کمک جمع سپاری اندازه گیری شده است. با کمک برنامه Smartphone NC، داده ها در Haniman chauraha جمع آوری و تأیید شد. در محیط های دنیای واقعی، رویکرد جمعیت-منبع دارای اشکالاتی است زیرا افراد بیشتر بر جشن گرفتن جشنواره متمرکز هستند تا جمع آوری داده ها. بنابراین، جمع آوری داده های نویز منبع غیر مستقیم مدیریت شد.

تکنیک های مستقیم و غیرمستقیم برای SNSE مانند نقشه برداری شبانه دیوالی با 60 نقطه آزمایش جمع آوری شده از زمین تأیید شد. این پیش‌بینی با استفاده از گزارش ارزیابی سلامت محل‌های آزمایش تأیید می‌شود ( شکل 3 ).

محاسبات برای مدل سازی نویز

پارامترهای زمین مکان های مختلف با استفاده از فاصله گیرنده از منبع نویز، انعکاس و پراش جهت منجر به تلفات مختلف و غیره (یعنی جاده ها) محاسبه شد. محاسبات برای تخمین سطوح نویز استفاده شد که سپس روی نقشه نشان داده می شود. شکاف مسیر به دلیل وجود مانعی که ساختمان‌های مختلف بر سر تفاوت مسیر دقیق در سطوح نویز از منبع تا گیرنده ادعا می‌کنند، رخ می‌دهد [ 16 ]. بنابراین در چنین مواردی از تضعیف مانع (ساختمان) استفاده می شود. در زیر برخی از محاسبات مختلف که برای محاسبه میرایی ها استفاده شده است آورده شده است.

(1)

(2)

(3)

(4)

(5)

(6)

جایی که D = مسیر انتقال مستقیم
D1 = مسیر انتقال غیر مستقیم
BA = تضعیف مانع
λ = طول موج
ج = سرعت نور
f = فرکانس
N = عدد فرنل
DA = کاهش فاصله بین منبع و گیرنده
L∑ = جمع لگاریتمی تمام ترکیبات منبع به یک گیرنده
(بازتاب، پراش)
BA = تضعیف مانع بین منبع تا دریافت
D = مسیر انتقال مستقیم بین منبع به گیرنده

ما داده هایی برای هشت مکان داریم که حاوی مقدار PM _2.5 ، SO _x ، NO _x و مقدار دسی بل هستند. برای هشت مکان مختلف، 84 ترکیب ساخته شد. اکنون ما داده های 84 امتیازی داریم که از این تعداد 74 مورد مجموعه آموزشی و 10 امتیاز تست هستند. داده های آموزشی برای 74 امتیاز از 84 امتیاز است که 10 امتیاز برای اهداف آزمایشی است.

dB = a × (PM _2.5 ) + b × (SO _x ) + c × (NO _x )

(7)

در اینجا مقدار dB، PM _2.5 ، SO _x ، NO _x شناخته شده است.

a، b، c عوامل ناشناخته هستند، مانند این روش ما 74 مکان مختلف بر اساس مجموعه داده آموزشی داریم.

–: برای نقطه 1 معادله است

(8)

–: نقطه 2 معادله است

(9)

–: نقطه 3 معادله است

(10)

–: نقطه 74 معادله است

(11)

می توانیم معادلات بالا را به صورت بنویسیم

Y ₁ = aX ₁ + bL ₁ + cm ₁

Y ₂ = aX ₂ + bL ₂ + cM ₂

Y ₃ = aX ₃ + bL ₃ + cM ₃ و غیره.

برای یافتن بهترین خط، سعی می کنیم معادلات فوق را در مجهولات a، b و c حل کنیم. از آنجایی که 74 نقطه روی یک خط قرار نمی‌گیرند، هیچ راه‌حل واقعی وجود ندارد، بنابراین در عوض، راه‌حل حداقل مربعات را محاسبه می‌کنیم. معادله خطی خود را به شکل ماتریسی قرار می دهیم.

محاسبات Axe = b

(12)

(13)

(14)

(15)

(16)

که در آن X PM _2.5 ، L SO _x ، M NO _x و a، b، c مجهول هستند.

4. نتایج و بحث

در نویز نگاشت شب های دیوالی و شب های غیر دیوالی مشکلاتی وجود داشت. نویسندگان از روش مستقیم جمع‌آوری داده‌های نویز و روش غیرمستقیم جمع‌آوری داده‌های نویز برای شب‌های دیوالی و غیردیوالی استفاده کردند. جمع آوری داده های جمع آوری شده با یک SPL متر استاندارد کالیبره شد. آزمایش در اتاقک آنکئویک انجام شد. نقشه برداری شب غیر دیوالی و شب دیوالی مقایسه شد. جمع‌آوری داده‌های نویز غیرمستقیم (داده‌های مبتنی بر کیفیت هوا) در جایی انجام شد که جمع‌آوری داده‌های جمع‌آوری‌شده با شکست مواجه شد. در این رابطه بین کیفیت هوا و سطح صدا با استفاده از مقادیر مورد نظر قبل و بعد از شب دیوالی رابطه برقرار شد. این طرح نحوه انجام مطالعه را نشان می دهد ( شکل 4 ).

4.1. کالیبراسیون برنامه NC گوشی هوشمند با استاندارد SPL متر

کالیبراسیون در محفظه anechoic انجام شد که در آن برنامه Smartphone NC و SPL متر در فاصله 1 متری از نقطه مبدا نگهداری می شد. صداهای تونال مختلف برای ضبط داده ها پخش شد. تغییرات مقدار در داده ها توسط برنامه Smartphone NC با توجه به SPL متر ثبت شد ( جدول 1 ).

4.2. روش مستقیم جمع‌آوری داده‌های نویز با استفاده از تکنیک‌های مبتنی بر جمعیت

4.2.1. نقشه نویز شب غیر دیوالی هانیمان چاوراها (منطقه مسکونی)

نقشه نویز شب غیر دیوالی تقاطع هانیمان ( شکل 5 ) بر روی سکوی GIS. جمع‌آوری داده‌ها به مدت 10 دقیقه در هر مکان انجام شد و نقاط باقی‌مانده با استفاده از مدل نویز (درون یابی-مدل‌سازی) پیش‌بینی می‌شوند. داده های نویز با استفاده از برنامه Smartphone NC جمع آوری شد. مقادیر ثبت شده قبل از نقشه برداری با یک متر SPL استاندارد کالیبره می شوند. سطوح مختلف نویز در افسانه نشان داده شده است. 20 نقطه منبع و 150 نقطه گیرنده (دور از منبع) وجود داشت که از طریق مدل نویز پیش‌بینی شدند. وصله زرد در نقشه نقشه برداری آنی را نشان می دهد، جایی که نقاط گیرنده دور از منبع هستند (نقاط جاده). این نقاط در سمت پایین (با مقادیر کمتر) هستند و فقط نویز پس زمینه را نشان می دهند.

4.2.2. نقشه صدای شب دیوالی گذرگاه هانیمان (منطقه مسکونی)

این رویداد نگاشت SNSE بود که در آن جمع‌آوری داده‌های نویز به مدت 10 ثانیه با استفاده از برنامه Smartphone NC انجام می‌شد که مقادیر آن قبلاً با یک SPL متر استاندارد کالیبره شده بود ( شکل 6 a,b). یک نقشه نویز آنی با استفاده از برنامه Smartphone NC، کالیبره شده با SPL متر استاندارد، و بر روی پلت فرم GIS با 40 نقطه منبع تهیه شد ( شکل 6).آ). این شکل، نقشه نویز شب دیوالی را برای گذرگاه هانیمان نشان می‌دهد، زمانی که ترقه‌ها در 10 نقطه منبع در حال ترکیدن بودند. در حین نقشه‌برداری، ده نقطه منبع در چهار لحظه مکان‌های تصادفی داده شد. در اینجا، داده‌های نویز با برنامه Smartphone NC کالیبره‌شده با SPL متر استاندارد جمع‌آوری شد. به منظور نمایش مقایسه بین مقادیر نویز در روزهای عادی و جشنواره، نقشه ای نشان داده شده است ( شکل 7 ).

برای نمایش تغییرات متغیر در مقادیر نقاط گیرنده مربوط به محل فشفشه. نویسندگان چهار نمونه مختلف را در نظر گرفتند که نشان دهنده تغییر در مقادیر 50 نقطه گیرنده در هر نمونه بود. تفاوت در جدول 2 نشان داده شده است . نشان دادن تغییر مقدار از نقشه پایه با تمام 40 نقطه منبع، یعنی ترقه ها در یک نمونه شلیک می شوند. خطای RMSE برای چهار مورد نیز وجود دارد.

در اینجا در جدول بالا D1، D2، D3، D4 تفاوت در مقادیر پیش بینی شده برای 50 نقطه آزمایش مشاهده شده است. میانگین RMSE برای همان 50 امتیاز آزمون برای هر چهار لحظه محاسبه شد. این جدول شب دیوالی را برای گذرگاه هانیمان نشان می‌دهد، زمانی که ترقه‌ها در 10 نقطه منبع می‌ترکند. ده نقطه منبع در مکان های تصادفی در چهار لحظه هنگام نقشه برداری داده شد. در اینجا، داده‌های نویز با برنامه Smartphone NC کالیبره‌شده با SPL متر استاندارد جمع‌آوری شد.

–: محاسبه فرکانس غالب در مجموعه داده‌های نویز منبع‌جمعی

نویسندگان از هوش مصنوعی برای محاسبه فرکانس و دانستن فرکانس غالب مسئول نویز در زمان انفجار ترقه در شب دیوالی استفاده کردند. در اینجا در مطالعه، یافته فرکانس 1.25 کیلوهرتز برای توزیع فرکانس باند میانی همانطور که در شکل 8 نشان داده شده است، به دست آمد . یک نقشه نویز آنی ایجاد شد. با استفاده از برنامه Smartphone NC، کالیبره شده با SPL متر استاندارد و نقشه برداری بر روی پلت فرم GIS در فرکانس غالب 1.25 کیلوهرتز با استفاده از تکنیک منبع جمعیت.

4.3. روش غیر مستقیم نقشه برداری نویز برای SNSE

نویسندگان یک رابطه بین تغییر در کیفیت هوا و تغییر در سطوح نویز برای SNSE ایجاد کردند. با استفاده از داده های گزارش IITR (منبع باز) تغییرات کیفیت هوا به دلیل SNSE و تغییر، آلودگی صوتی است. همچنین برای اعتبار سنجی داده ها، نویسنده به صورت فیزیکی داده های نویز را در شهر لاکنو نظارت کرد.

–: پیش بینی سطوح نویز با استفاده از داده های نویز کیفیت هوا

این رابطه با استفاده از روش رگرسیون خطی برقرار شد که در آن ترکیب 84 معادله با 8 داده مکان آموزش دیده و 1 نقطه مکان آزمایشی ساخته شد. معادله با کمترین مقدار RMS در نظر گرفته شد و نتایج با جمع‌آوری نویز داده‌ها برای شب‌های غیردیوالی و شب‌های دیوالی اعتبارسنجی می‌شوند. همچنین، داده های کیفیت هوا با در نظر گرفتن داده های IITR Lucknow نشان داده شده در ( شکل 9 a,b) تأیید شد.

تغییر در مقادیر آلاینده هوا از پایگاه داده منبع باز CPCB Lucknow در نظر گرفته شد. میانگین تغییرات 10 روزه در مقادیر این آلاینده ها با داده های ثبت شده برای شب دیوالی مقایسه شد ( جدول 3 ) از جدول، نویسندگان به راحتی می توانند پیش بینی کنند که افزایش قابل توجهی در مقادیر این آلاینده ها وجود داشته است که صرفاً به دلیل آن است. ترقه های در حال شلیک مقادیر مواد آلاینده از شب غیر دیوالی تا شب دیوالی افزایش می یابد. این تکنیک رگرسیون حداقل مربعی برای ایجاد رابطه بین درصد تغییر در مقدار نویز و مواد آلاینده به ویژه PM _2.5_، NOx و SOx _{استفاده} می شود ( جدول 4 ).

از روش ماتریسی مورد بحث در بخش روش شناسی، a = 0.01875، b = 0.07112، c = 0.4707.

هنگام اعمال این موارد در نقطه آزمایش (10 امتیاز) خطای RMSE 0.546 است.

(17)

پیش‌بینی نقشه نویز از مجموعه داده‌های نویز غیرمستقیم

شکل بیضی ترسیم شده روی نقشه، مقدار را در کل منطقه سایه دار 80 دسی بل (A) نشان می دهد، که از تغییر درصد مقدار دسی بل از شب غیر دیوالی به شب دیوالی برای گذرگاه هانیمان ( شکل 10 ) به دست می آید. . این آزمایش برای 50 نقطه با هر دو نقطه منبع و گیرنده (دور از منبع) انجام شد که ± 6.2 دسی بل است ( جدول 5 ). یک سطح نویز منفرد (80 دسی بل (A) پیش‌بینی می‌شود و به صورت همپوشانی بیضی بنفش روی داده‌های سر و صدای جمعیتی جمع‌آوری‌شده در طول شب دیوالی نشان داده می‌شود. نقشه بالا انحراف بین نقشه نویز پیش‌بینی‌شده مبتنی بر کیفیت هوا را با بر اساس منبع جمعیت مقایسه می‌کند. نقشه نویز با استفاده از داده های جمع آوری شده از زمین.

5. اعتبارسنجی

اعتبارسنجی هم برای روش مستقیم جمع‌آوری داده‌ها (داده‌های منبع کلاغ) و هم برای روش غیرمستقیم جمع‌آوری داده‌ها (تغییرات کیفیت هوا) انجام شد. جداول زیر اعتبار سنجی را نشان می دهد:

–: اعتبارسنجی پیش‌بینی نویز برای شب دیوالی با مقادیر مشاهده‌شده زمین.
–: اعتبار سنجی نقشه نویز پیش بینی شده با تأثیر سلامت بر ساکنان مجاور

در جدول 6 در مجموع 810 امتیاز که 730 امتیاز آموزشی و 80 امتیاز تست است. در این، برخی از نقاط نزدیک به منبع و برخی دور از منبع (گیرنده) در نظر گرفته می شوند. مقدار پیش‌بینی‌شده بالاتر از مقدار مشاهده‌شده بود، بنابراین پیش‌بینی بیش از حد است. معمولاً نقاط نزدیک به منبع و دور از منبع برای تأیید نتایج در نظر گرفته می شود. تغییرات خطا در مقادیر ± 4.5 دسی بل است.

در جدول 7 در مجموع 810 امتیاز وجود دارد که 760 امتیاز آموزشی و 50 امتیاز آزمون است. در این، برخی از نقاط نزدیک به منبع و برخی دور از منبع (گیرنده) در نظر گرفته می شوند. نقشه نویز گذرگاه هانیمان در شب دیوالی با استفاده از داده های نویز تولید شده به طور غیرمستقیم با استفاده از تغییر در داده های کیفیت هوا پیش بینی شد. یک سطح نویز منفرد (80 دسی بل (A) در طول شب دیوالی پیش‌بینی می‌شود. جدول زیر انحراف بین نقشه نویز پیش‌بینی‌شده مبتنی بر کیفیت هوا را با نقشه نویز مبتنی بر منبع جمعیت با استفاده از داده‌های جمع‌آوری‌شده از زمین مقایسه می‌کند. تغییرات خطا در مقادیر ± 6.2 دسی بل است.

تغییرات داده‌های نویز بر حسب مقادیر حداکثر و حداقل برای سه مکان بر اساس زیاد، متوسط و کم ثبت شده با استفاده از تکنیک منبع‌جمعی جمع‌آوری شد. تغییرات میانگین تغییر 10 دقیقه نظارت برای یک شب غیر دیوالی و شب دیوالی برای 3 مکان ( جدول 8 ). SNSE بر حسب میانگین جمع آوری داده 10 ثانیه نشان داده شد. این برای تأیید نتیجه تغییر در مقادیر حداقل و حداکثر ثبت شده است.

–: ارزیابی سلامتی هانیمان چاوراها

طبق ارزیابی سلامت نشان داده شده در جدول 9 . بر اساس توزیع سنی، این جنبه را نشان می دهد که کدام سن بیشتر تحت تأثیر تأثیر آلودگی صوتی بر SNSE قرار می گیرد. افرادی که در مناطق بسته یا جیب های متراکم زندگی می کنند در درجه اول در مقایسه با افرادی که در مجاورت باز زندگی می کنند در معرض آلودگی صوتی هستند. جدول 10 نتیجه نظرسنجی تعدادی از پاسخ دهندگان در سنین مختلف به بیماری های مختلف را در زمان شب دیوالی در Haniman Chauraha در Lucknow نشان می دهد که 270 نفر مورد بررسی قرار گرفتند و شکل 11 نمودار میله ای نتیجه نظرسنجی را نشان می دهد. در شکل 12این نقشه نقشه نویز Haniman chauraha را با 40 نقطه منبع با رنگ‌های مختلف لکه‌ها نشان می‌دهد که سطح تأثیر نویز را نشان می‌دهد که سبز نشان‌دهنده کمترین و قرمز بیشترین تأثیرات سلامتی را نشان می‌دهد.

6. نتیجه گیری

نقشه برداری از سطوح نویز برای رویدادهای حساس به نویز کوتاه مدت-SNSE، به عنوان مثال، شب دیوالی چالش برانگیز است. ماهیت گذرا این رویداد با نوسانات گسترده در سطوح نویز در یک دوره زمانی کوتاه مشخص می شود. پیش‌بینی رویدادهای نویز کوتاه مدت که ماهیت آنی دارند بسیار دشوار است. دچار عدم دقت می شود. نویسندگان سعی کردند سطوح نویز را با استفاده از تکنیک crowdsource برای رویداد SNSE Diwali پیش بینی کنند. این تکنیک دقت ± 4.5dB (A) را ارائه داد. این تکنیک نحوه تولید یک نقشه نویز را برای رویداد حساس به نویز گذرا با استفاده از تکنیک جمع‌آوری داده‌های نویز به نمایش می‌گذارد. این نیاز به جمع آوری داده های نویز از زمین نزدیک به منبع نویز و نقاط دور دارد. هنگامی که داده‌های نویز جمع‌آوری می‌شوند، قبل از نقشه‌برداری روی رابط وب، کالیبره می‌شوند. جمع آوری داده های نویز تعداد زیادی نقطه، در مجموع 810 نقطه با 760 نقطه آموزش و 50 نقطه تست نقش مهمی در آموزش مدل پیش بینی و تست آن دارد. دانش بهتر در مورد کاربری و پوشش زمین به تصمیم گیری در مورد نقاط مبدا و نقاط دور و انتخاب زمان نمونه برداری مناسب کمک می کند. نویسندگان یک روش هوشمند، آسان و کم هزینه برای جمع آوری و نقشه برداری از داده های نویز ایجاد کردند. نویسندگان همچنین داده های شب دیوالی را ترسیم کرده اند و با موفقیت آن را با داده های جمع آوری شده برای شب های غیر دیوالی مقایسه کرده اند. این نشان دهنده تغییر قابل توجهی در سطوح سر و صدا در بخش های مختلف شهر در مقایسه با شب های غیر دیوالی است. جمع آوری داده های نویز حتی با برنامه ضبط نویز دشوار است زیرا مردم همچنان مشغول جشن هستند. بنابراین، یک تکنیک غیرمستقیم برای تولید داده‌های نویز تلاش می‌شود. یک رابطه بین تغییر پارامترهای کیفیت هوا در شب‌های دیوالی در مقایسه با شب‌های غیردیوالی همراه با تغییر سطح نویز در دوره‌های مشابه که از طریق اندازه‌گیری‌های غیرمستقیم ثبت شده است، ایجاد می‌شود. نویسندگان رابطه ای را برای پیش بینی درصد تغییرات احتمالی در سطوح نویز در یک منطقه به دلیل تغییرات در سطوح آلودگی هوا به دلیل دیوالی ایجاد کردند. نویسندگان با موفقیت از این تکنیک برای پیش‌بینی سطوح نویز سایت پروژه در طول شب دیوالی بدون استفاده از داده‌های مستقیم سطوح نویز استفاده کردند. در مقایسه با داده‌های زمین نقاط آزمایش، که پیش‌بینی معقولی برای هر رویداد نوسانی کوتاه‌مدت است، در ± 6.2 دسی‌بل (A) دقیق است. پیش‌بینی‌ها با یک بررسی بهداشتی برای منطقه نیز تأیید شد. این نظرسنجی برای 270 نفر بر اساس بیماری های مختلف مردم انجام شده است. نتایج بررسی سلامت با نقشه نویز شب دیوالی بسیار قابل توجه بود. افراد در مجموع 57 تاثير پرفشاري خون را بارزتر نشان دادند، از سوي ديگر براي اضطراب 47 نفر بود و اختلال خواب در بين ساكنان منطقه مجاور شايع بود. علاوه بر این، مکان‌های منبع نویز محدود شده توسط دیوارها یا موانع موجود در مجاورت آنها، سطوح بسیار بالای سر و صدا و خطرات سلامتی هشدار دهنده را در مقایسه با منابع در مکان‌های باز نشان می‌دهند. از سوی دیگر برای اضطراب 47 سال است و اختلال خواب در میان ساکنان منطقه مجاور رایج است. علاوه بر این، مکان‌های منبع نویز محدود شده توسط دیوارها یا موانع موجود در مجاورت آنها، سطوح بسیار بالای سر و صدا و خطرات سلامتی هشدار دهنده را در مقایسه با منابع در مکان‌های باز نشان می‌دهند. از سوی دیگر برای اضطراب 47 سال است و اختلال خواب در میان ساکنان منطقه مجاور رایج است. علاوه بر این، مکان‌های منبع نویز محدود شده توسط دیوارها یا موانع موجود در مجاورت آنها، سطوح بسیار بالای سر و صدا و خطرات سلامتی هشدار دهنده را در مقایسه با منابع در مکان‌های باز نشان می‌دهند.

منابع

بهارادواج، س. دوبی، آر. ظفر، MI; سریواستاوا، ا. بوشان شارما، وی. Biswas, S. تعیین مکان بهینه برای راه اندازی برج تلفن همراه در محیط شهر با استفاده از داده های Lidar. ISPRS—Int. قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2020 ، 43 ، 647-654. [ Google Scholar ] [ CrossRef ]
روسی، ال. پراتو، ا. لسینا، ال. شیاوی، ع. تأثیر نویز با فرکانس پایین بر عملکرد شناختی انسان در آزمایشگاه. ساختن. آکوست. 2018 ، 25 ، 17-33. [ Google Scholar ] [ CrossRef ]
هیوم، کی. برینک، م. Basner, M. اثرات نویز محیطی بر خواب. Noise Health 2012 ، 14 ، 297-302. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Miedema، HME; Oudshoorn، CGM مزاحمت از نویز حمل و نقل: روابط با معیارهای قرار گرفتن در معرض DNL و DENL و فواصل اطمینان آنها. محیط زیست چشم انداز سلامتی 2001 ، 109 ، 409-416. [ Google Scholar ] [ CrossRef ] [ PubMed ]
دراتوا، ج. فولریا، HC; فوراستر، ام. Gaspoz، JM; کیدل، دی. کونزلی، ن. سالی لیو، LJ; پونز، ام. زمپ، ای. Gerbase، MW; و همکاران سر و صدای حمل و نقل و فشار خون در یک نمونه مبتنی بر جمعیت از بزرگسالان محیط زیست چشم انداز سلامتی 2012 ، 120 ، 50-55. [ Google Scholar ] [ CrossRef ] [ PubMed ]
بابیش، دبلیو. بیول، بی. شوست، ام. کرستن، ن. Ising، H. صدای ترافیک و خطر انفارکتوس میوکارد. اپیدمیولوژی 2005 ، 16 ، 33-40. [ Google Scholar ] [ CrossRef ] [ PubMed ]
پتری، دی. لیسیترا، جی. ویگوتی، MA; Fredianelli, L. اثرات مواجهه با جاده، راه آهن، فرودگاه و صداهای تفریحی بر فشار خون و فشار خون بالا. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2021 ، 18 ، 9145. [ Google Scholar ] [ CrossRef ] [ PubMed ]
هالپرین، دی. سروصدای محیطی و اختلالات خواب: تهدیدی برای سلامتی؟ Sleep Sci. 2014 ، 7 ، 209-212. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
لیو، ایکس. ژانگ، ز. پیترسون، جی. Chandra، S. تولید DEM منطقه بزرگ با استفاده از داده های هوابرد LiDAR و کنترل کیفیت. بین المللی جی. جئوگر. Inf. علمی 2008 ، 2 ، 79-85. [ Google Scholar ]
گرازیوسو، جی. مانچینی، اس. Francavilla، AB; گریمالدی، م. Guarnaccia، C. داده‌های سطح صدا با جمع‌سپاری جغرافیایی در پشتیبانی از برنامه‌ریزی امکانات جامعه. یک پیشنهاد روش شناختی Sustainability 2021 , 13 , 5486. [ Google Scholar ] [ CrossRef ]
ظفر، MI; بهارادواج، س. دوبی، آر. Biswas، S. مقیاس های مختلف پیش بینی صدای ترافیک شهری. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. Sci.-ISPRS Arch. 2020 ، 43 ، 1181-1188. [ Google Scholar ] [ CrossRef ]
ماداریاگا، دی. ماداریاگا، جی. Bustos-jiménez, J. بهبود تجمیع سیگنال-قدرت برای سناریوهای جمع سپاری موبایل. Sensors 2021 , 21 , 1084. [ Google Scholar ] [ CrossRef ] [ PubMed ]
پیکاوت، جی. فورتین، ن. بوچر، ای. پتیت، جی. اوموند، پ. Guillaume, G. یک رویکرد جمع سپاری علوم باز برای تولید نقشه های نویز جامعه با استفاده از تلفن های هوشمند. ساختن. محیط زیست 2019 ، 148 ، 20-33. [ Google Scholar ] [ CrossRef ]
بوچر، ای. گیوم، جی. پیکاوت، جی. پتیت، جی. Fortin, N. Noisemodelling: یک ابزار منبع باز مبتنی بر GIS برای تولید نقشه های نویز محیطی. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 130. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
بانرجی، دی. قرار گرفتن در معرض سر و صدای ترافیک جاده ای و مزاحمت: یک مطالعه مقطعی در میان جمعیت بزرگسال هندی. Noise Health 2013 ، 15 ، 342-346. [ Google Scholar ] [ CrossRef ] [ PubMed ]
آکینتویی، ع. راجی، ع. Wunude، E. ارزیابی و نقشه برداری از آلودگی صوتی مبتنی بر Gis در منطقه Bariga در ایالت لاگوس، ارزیابی مبتنی بر Gis نیجریه و نقشه برداری از آلودگی صوتی در منطقه Bariga در ایالت لاگوس، نیجریه. Sokoto J. Soc. علمی جلد 2014 ، 4 ، 154-168. [ Google Scholar ]
ووکیچ، ال. میهانوویچ، وی. فردیانلی، ال. Plazibat، V. درک و نگرش دریانوردان نسبت به انتشار نویز در کشتی‌ها. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2021 ، 18 ، 6671. [ Google Scholar ] [ CrossRef ] [ PubMed ]
بیسواس، س. لوهانی، ب. توسعه مدل انتشار صدای سه بعدی با وضوح بالا با استفاده از داده های LIDAR و عکس هوا. بین المللی قوس. فتوگرام 2008 ، XXXVII ، 1735-1740. [ Google Scholar ]
بهارادواج، س. دوبی، آر. Biswas, S. تعیین بهترین مکان برای راه اندازی دکل انتقال در شهر. در مجموعه مقالات کنفرانس بین المللی 2020 در مورد نوآوری های هوشمند در طراحی، محیط زیست، مدیریت، برنامه ریزی و محاسبات (ICSIDEMPC)، اونگ آباد، هند، 30 تا 31 اکتبر 2020؛ صص 63-68. [ Google Scholar ] [ CrossRef ]
Maguire، DJ ArcGIS: نرم افزار GIS همه منظوره. دایره GIS 2016 ، 1-8. [ Google Scholar ] [ CrossRef ]
Esri, A. ArcGIS Secure Implementation Patterns. 2018. در دسترس آنلاین: https://downloads.esri.com/resources/enterprisegis/esri%20whitepaper%20-%20arcgis%20secure%20mobile%20implementation%20patterns.pdf (در 23 اکتبر 2021 قابل دسترسی است).
دوبی، آر. بهارادواج، س. Biswas، نقشه برداری نویز هوشمند DS با استفاده از تلفن هوشمند در بستر وب. در مجموعه مقالات کنفرانس بین المللی 2020 در مورد نوآوری های هوشمند در طراحی، محیط زیست، مدیریت، برنامه ریزی و محاسبات (ICSIDEMPC)، اونگ آباد، هند، 30 تا 31 اکتبر 2020؛ صص 69-74. [ Google Scholar ] [ CrossRef ]
بوچر، ای. گیوم، جی. فورتین، ن. پیکاوت، جی. Can، A. Gauvreau, B. جمع سپاری آلودگی نقشه صوتی با استفاده از تلفن های هوشمند . شبکه اروپایی برای توزیع مجدد اطلاعات مکانی به جوامع کاربر – داده های باز. 2015; در دسترس آنلاین: https://halshs.archives-ouvertes.fr/halshs-01164870/file/CNRS_LSSR_meeting_2015.pdf (در 23 اکتبر 2021 قابل دسترسی است).
چیانگ، ی.-ای. Knoblock، CA استخراج داده های بردار جاده از نقشه های Raster. در کارگاه بین المللی تشخیص گرافیک ; Springer: برلین، هایدلبرگ، 2009; صص 93-105. [ Google Scholar ]
آسکاری، ای. لیسیترا، جی. تتی، ال. Cerchiai، M. تاثیر نویز فرکانس پایین از ترافیک جاده با توجه به روش‌های مختلف پیش‌بینی نویز. علمی کل محیط. 2015 ، 505 ، 658-669. [ Google Scholar ] [ CrossRef ]
تتی، ال. د لئون، جی. دل پیتزو، ا. مورو، ا. بیانکو، اف. فردیانلی، ال. لیسیترا، جی. مدلسازی عملکرد آکوستیک روسازی‌های کم‌صدای جدید. ساخت و ساز ساختن. ماتر 2020 , 247 , 118509. [ Google Scholar ] [ CrossRef ]
Yeramsetti، VS; شارما، آر. گاورواراپو ناولور، ن. راپولو، وی. Dhulipala، NSKC; سینها، روابط عمومی ارزیابی تاثیر انتشار آتش بازی دیوالی بر کیفیت هوای یک سایت شهری گرمسیری، حیدرآباد، هند، طی سه سال متوالی. محیط زیست نظارت کنید. ارزیابی کنید. 2013 ، 185 ، 7309-7325. [ Google Scholar ] [ CrossRef ] [ PubMed ]
دوبی، آر. بهارادواج، س. ظفر، MI; Biswas، S. نقشه برداری مشترک کیفیت هوا از شهرهای مختلف کلانشهر هند. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2021 ، 43 ، 87-94. [ Google Scholar ] [ CrossRef ]
سینگ، آ. شلوار، پ. پاپ، FD کیفیت هوا در طول و بعد از جشنواره: غلظت آئروسل، ترکیب و اثرات سلامتی. اتمس. Res. 2019 ، 227 ، 220-232. [ Google Scholar ] [ CrossRef ]
وو، کیو. کائو، جی. ژو، سی. هوانگ، جی. لی، ز. چنگ، اس ام. چنگ، جی. Pan, G. سیستم هشدار دود هوشمند با شبکه حسگر بی سیم با استفاده از ZigBee. سیم. اشتراک. اوباش محاسبه کنید. 2018 , 7212567. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]

شکل 1. شکل جمع سپاری جمع آوری داده ها و نقشه برداری آن بر روی پلت فرم وب را نشان می دهد.

شکل 2. نمودار جریان روش مورد استفاده در مطالعه را نشان می دهد.

شکل 3. تصویر گوگل از سایت آزمایشی که نقشه برداری نویز و بررسی سلامت در آن انجام می شود.

شکل 4. فلوچارت تحقیقاتی را نشان می دهد که برای به دست آوردن نتیجه و همچنین اعتبار سنجی انجام شده است.

شکل 5. این نقشه نویز بر حسب dB(A) برای گذرگاه هانیمن برای شب غیر دیوالی است که میانگین آن 10 دقیقه است.

شکل 6. ( الف ) این نقشه صدای شب دیوالی برای عبور از هانیمن است، زمانی که ترقه ها در 40 نقطه منبع می ترکند. ( ب ) این نقشه نویز شب دیوالی برای گذرگاه هانیمن است، زمانی که ترقه ها در 10 نقطه منبع در مکان های تصادفی در چهار مورد می ترکند.

شکل 7. مقایسه نقشه ها در روز جشنواره و روزهای عادی است.

شکل 8. این نقشه صدای شب دیوالی برای عبور از هانیمان است، زمانی که ترقه ها در 40 نقطه منبع می ترکند. یک نقشه نویز در فرکانس غالب 1.25 هرتز در اینجا ارائه شده است.

شکل 9. ( الف ) این تغییر در غلظت PM ₁₀ و PM _2.5 در دیوالی به مدت 7 سال برای شب قبل و دیوالی را نشان می دهد. ( ب ) این تغییر در غلظت PM ₁₀ ، PM _2.5 ، NOx ، و SOx _در_دیوالی برای سال 2019 برای شب قبل و دیوالی را نشان می دهد.

شکل 10. نقشه نویز گذرگاه هانیمان در شب دیوالی با استفاده از داده های نویز تولید شده به طور غیرمستقیم با استفاده از تغییر در داده های کیفیت هوا پیش بینی شده است.

شکل 11. نمودار میله‌ای نتیجه بررسی نویز Haniman Chauraha را نشان می‌دهد که پاسخ‌دهنده در سنین مختلف به بیماری‌های مختلف را نشان می‌دهد که در نزدیکی منابع صدا و دور از منابع صدا قرار دارند.

شکل 12. این نقشه نویز Haniman chauraha با 40 نقطه منبع با رنگ‌های مختلف تکه‌ها است که سطح تاثیر نویز را نشان می‌دهد که در آن رنگ سبز کمترین و قرمز بیشترین تأثیرات سلامتی را نشان می‌دهد.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

کلید واژه ها:

1. مقدمه

1.1. مدل سازی نویز و وابستگی به داده های آن

1.2. روش غیر مستقیم مدل‌سازی نویز با داده‌های کیفیت هوا

2. شکاف تحقیق