دانشگاه تربیت دبیر شهید رجائی

  اخبار و اعلانات

 آمار

تعداد نشریات13
تعداد شماره‌ها200
تعداد مقالات2,008
تعداد مشاهده مقاله2,680,173
تعداد دریافت فایل اصل مقاله1,937,364
محمدی, مینا, آخوندزاده هنزائی, مهدی. (1401). پایش و آشکارسازی گاز متان در شهر تهران در پلت فرم گوگل ارث انجین. فناوری آموزش, 1(1), 41-52. doi: 10.22061/jrsgr.2022.1948
مینا محمدی; مهدی آخوندزاده هنزائی. "پایش و آشکارسازی گاز متان در شهر تهران در پلت فرم گوگل ارث انجین". فناوری آموزش, 1, 1, 1401, 41-52. doi: 10.22061/jrsgr.2022.1948
محمدی, مینا, آخوندزاده هنزائی, مهدی. (1401). 'پایش و آشکارسازی گاز متان در شهر تهران در پلت فرم گوگل ارث انجین', فناوری آموزش, 1(1), pp. 41-52. doi: 10.22061/jrsgr.2022.1948
محمدی, مینا, آخوندزاده هنزائی, مهدی. پایش و آشکارسازی گاز متان در شهر تهران در پلت فرم گوگل ارث انجین. فناوری آموزش, 1401; 1(1): 41-52. doi: 10.22061/jrsgr.2022.1948

پایش و آشکارسازی گاز متان در شهر تهران در پلت فرم گوگل ارث انجین

پژوهش های سنجش از دور و اطلاعات مکانی
دوره 1، شماره 1، دی 1401، صفحه 41-52    اصل مقاله (2.08 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22061/jrsgr.2022.1948
نویسندگان
مینا محمدی؛ مهدی آخوندزاده هنزائی*
گروه فتوگرامتری و سنجش از دور، دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده های فنی، دانشگاه تهران
تاریخ دریافت: 18 بهمن 1401،  تاریخ بازنگری: 10 اردیبهشت 1402،  تاریخ پذیرش: 14 خرداد 1402 
چکیده
پیشینه و اهداف: مطالعه انتشار گاز متان، به‌عنوان دومین گاز گلخانه‌ای مهم، به دلیل ایجاد تغییرات آب و هوایی، حائز اهمیت است. این مطالعه، با هدف بررسی درستی خبر منتشرشده توسط ناسا، در خصوص وجود یک ابر متان در جنوب تهران، انجام ‌شده است. با توجه به اهمیت موضوع، تاکنون ماهواره‌های سنجش‌ از دور زیادی نظیر sentinel-5، MethanSAT، SCIAMACHY و GOSAT برای پایش آلاینده‌ها به‌خصوص گاز متان، ارائه ‌شده است. همچنین، تحقیقات بسیاری در زمینه ارزیابی این سنجنده و پایش مناطق آلوده، صورت گرفته است. به‌عنوان نمونه، چرپانوا و همکاران به تجزیه ‌و تحلیل مکانی- زمانی غلظت متان و ارتباط آن با مناطق سوخته، پرداختند. آن‌ها، با استفاده از داده‌های روزانه سنجنده TROPOMI به این نتیجه رسیدند که غلظت متان در مناطق تازه سوخته شده نسبت به سوختگی‌های سال گذشته، بیشتر است. نیراج مایریا و همکاران، به بررسی غلظت آلاینده‌های SO2، CO، SOX و CH4 با استفاده از داده‌های Sentinel-5P TROPOMI در دورههای پس از برداشت گندم و برنج و سوزاندن زمین‌ها پرداختند. نتایج، نشان داد که غلظت CH4، SO2، SOX، CO و آئروسل، در طی دوره سوزاندن زمین‌های کشاورزی پس از برداشت برنج و گندم، هرسال افزایش معنی‌داری داشت.
روش‌ها‌: در این تحقیق، سری‌های زمانی داده‌های روزانه سنجنده TROPOMI در ماهواره سنتینل-۵ در پلتفرم گوگل ارث انجین، مورد استفاده قرار گرفت. ابتدا، به تجزیه‌ و تحلیل مکانی-زمانی دینامیک غلظت متان در تهران پرداخته ‌شده است. بدین منظور، نمودارهای تغییرات زمانی از مرداد تا آبان ۱۴۰۱ و همچنین، به جهت تحلیل مکانی غلظت آلاینده‌ها، نقشه میانگین ماهیانه، تولید شده است. سپس، با توجه به تاریخ به‌دست‌ آمده به بررسی درستی یا نادرستی نقشه ارائه ‌شده، پرداخته ‌شده است. در نهایت، به‌منظور ارزیابی نتایج طول ابر متان مشاهده ‌شده توسط ناسا با ابر متان استخراج ‌شده توسط سنجنده TROPOMI مقایسه شد.
یافته‌ها: نتایج به‌دست ‌آمده، نشان داد که در تاریخ ۱۰ شهریور ۱۴۰۱ غلظت متان بالا و در حدود ۱۹۷۰ ppm بوده است و گازهای دیگر در این تاریخ، مقدار بالایی نداشته‌اند که این، نشان‌دهنده عدم تأثیر دیگر گازها، بر افزایش غلظت متان و عدم‌ تشخیص نادرست می‌باشد و طبق نقشه، میانگین در جنوب تهران این گاز بیشتر بوده است.
همچنین، ابر متان مشاهده ‌شده توسط ناسا در جاده قدیم تهران – قم، در نزدیکی محله قاسم‌آباد – شورآباد با استفاده از داده‌های ماهواره سنتینل-۵ در پلت فرم گوگل ارث انجین، به رنگ قرمز به معنای غلظت بالا تأیید شد که باعث انتشار و میزان غلظت گاز متان بیشتر، در جنوب تهران شده و منشأ اصلی آن، دفن زباله در این منطقه بوده است. علاوه بر این، طول گزارش ‌شده توسط ناسا با طول ابر متان استخراج‌شده از سنجنده TROPOMI با یکدیگر مقایسه شد که به ترتیب، برابر با ۴.۸ کیلومتر و ۴.۴۱ کیلومتر بوده‌اند.
نتیجه‌گیری: امروزه، آلودگی هوا به علت مشکلات زیست‌محیطی و اثرات نامطلوب بر سلامت انسان‌ها، به‌خصوص در شهرهای پرجمعیت، به یک مشکل اساسی تبدیل ‌شده است. بر اساس نتایج به‌دست ‌آمده و تصویر گاز متان در تاریخ ۱۰ شهریور در جنوب تهران، مشخص شد خبر منتشرشده توسط ناسا، صحت داشته و عامل اصلی آن، این بوده است که این منطقه، محل دفن زباله می‌باشد. بدین ترتیب، پلت فرم گوگل ارث انجین می‌تواند به‌عنوان یک ابزار مناسب برای پایش روزانه، ماهانه و تغییرات سالانه، مورداستفاده قرار بگیرد.
کلیدواژه‌ها
تغییرات زمانی- مکانی؛ گاز متان؛ سنتینل-۵؛ گوگل ارث انجین
عنوان مقاله [English]
Monitoring and detection of methane gas in Tehran in Google Earth Engine
نویسندگان [English]
M. Mohammadi؛ M. Akhoondzadeh
Department of Photogrammetry and Remote Sensing, School of Surveying and Geospatial Engineering, College of Engineering, University of Tehran, Tehran, Iran
چکیده [English]
Background and Objectives: Studying the emission of methane gas as the second most important greenhouse gas is vital due to climate change. This study was conducted to check the correctness of the news published by NASA regarding the existence of a methane cloud in the south of Tehran. Due to the importance of the subject, so far many remote sensing satellites such as sentinel-5, MethanSAT, SCIAMACHY, and GOSAT have been provided to monitor pollutants, especially methane gas. Also, much research has been done in evaluating this sensor and monitoring polluted areas. For example, Cherepanova, et al analyzed the spatial-temporal analysis of methane concentration and its relationship with burned areas. Using daily data from the TROPOMI sensor, they concluded that methane concentrations were higher in newly burned areas than in the previous year's burns. Maurya, N.K., et al investigated the concentration of SO2, CO, SOX, and CH4 pollutants using Sentinel-5P TROPOMI data in the periods after wheat and rice harvesting and land burning. The results showed that the concentration of CH4, SO2, SOX, CO, and aerosol increased significantly during the burning period of agricultural land after harvesting rice and wheat every year.
Methods: In this research, the daily data series of the TROPOMI sensor on the Santi-5 satellite were used on the Google Earth Engine platform. First, the spatio-temporal analysis of methane dynamics in Tehran has been discussed. In this way, time changes are made from July to October 2022 and also for the spatial analysis of pollutants, a monthly map has been made. Then according to the obtained date, the correctness or incorrectness of the presented map has been checked. Finally, in order to evaluate the results, the length of the methane cloud observed by NASA was compared with the methane cloud extracted by TROPOMI.
Findings: The obtained results showed that on September 1st, 2022 methane concentration was high and around 1970 ppm, and other gases did not have a high value on this date, which indicates the lack of effect of other gases on the increase of methane concentration and lack of misdiagnosis and according to the average map in the south of Tehran This gas has been more. Also, the methane cloud observed by NASA on the old Tehran-Qom road near the Qasemabad-Shorabad neighborhood was confirmed by the use of Sentinel-5 satellite data on the Google Earth Engine platform in red, meaning high concentration, which caused the release and concentration of methane gas. It is located in the south of Tehran and its main source was the landfill in this area. In addition, the length reported by NASA was compared with the length of the methane cloud extracted from the TROPOMI instrument, which was 4.8 km and 4.41 km, respectively.
Conclusion: Nowadays, air pollution has become a major problem due to environmental problems and adverse effects on human health, especially in densely populated cities. Based on the obtained results and the image of methane gas on September 1st in the south of Tehran, it was found that the news published by NASA was true and the main factor was that this area is a garbage dump. In this way, the Google Earth Engine platform can be used as a suitable tool for monitoring daily, monthly and annual changes.
کلیدواژه‌ها [English]
Temporal-spatial changes, Methane gas, Sentinel-5, Google Earth Engine
مراجع
[1]Shikwambana L, Mhangara P, Mbatha N. Trend analysis and first time observations of sulphur dioxide and nitrogen dioxide in South Africa using TROPOMI/Sentinel-5 P data. International Journal of Applied Earth Observation and Geoinformation. 2020;91:102130.

[2]Schneising O, Buchwitz M, Reuter M, Bovensmann H, Burrows JP, Borsdorff T, et al. A scientific algorithm to simultaneously retrieve carbon monoxide and methane from TROPOMI onboard Sentinel-5 Precursor. Atmospheric Measurement Techniques. 2019;12(12):6771-802.

[3]Jacob DJ, Varon DJ, Cusworth DH, Dennison PE, Frankenberg C, Gautam R, et al. Quantifying methane emissions from the global scale down to point sources using satellite observations of atmospheric methane. Atmospheric Chemistry and Physics. 2022;22(14):9617-46.

[4]Cusworth DH, Duren RM, Thorpe AK, Tseng E, Thompson D, Guha A, et al. Using remote sensing to detect, validate, and quantify methane emissions from California solid waste operations. Environmental Research Letters. 2020;15(5):054012.

[5]Varon D, McKeever J, Jervis D, Maasakkers J, Pandey S, Houweling S, et al. Satellite discovery of anomalously large methane point sources from oil/gas production. Geophysical Research Letters. 2019;46(22):13507-16.

[6]Stocker T. Climate change 2013: the physical science basis: Working Group I contribution to the Fifth assessment report of the Intergovernmental Panel on Climate Change: Cambridge university press; 2014.

[7]Tran M-K, Fowler M. A review of lithium-ion battery fault diagnostic algorithms: Current progress and future challenges. Algorithms. 2020;13(3):62.

[8]Schuit BJ, Maasakkers JD, Bijl P, Mahapatra G, Van den Berg A-W, Pandey S, et al. Automated detection and monitoring of methane super-emitters using satellite data. Atmospheric Chemistry and Physics Discussions. 2023:1-47.

[9]Cusworth DH, Jacob DJ, Varon DJ, Chan Miller C, Liu X, Chance K, et al. Potential of next-generation imaging spectrometers to detect and quantify methane point sources from space. Atmospheric Measurement Techniques. 2019;12(10):5655-68.

[10]Dubey L, Cooper J, Hawkes A. Minimum detection limits of the TROPOMI satellite sensor across North America and their implications for measuring oil and gas methane emissions. Science of the Total Environment. 2023;872:162222.

[11]Ayasse AK, Dennison PE, Foote M, Thorpe AK, Joshi S, Green RO, et al. Methane mapping with future satellite imaging spectrometers. Remote Sensing. 2019;11(24):3054.

[12]Crosman E. Meteorological drivers of Permian Basin methane anomalies derived from TROPOMI. Remote Sensing. 2021;13(5):896.

[13]Cherepanova E, Feoktistova N, Chudakova M. Analysis of methane concentration anomalies over burned areas of the boreal and arctic zone of eastern Siberia in 2018–2019 using TROPOMI data. Izvestiya, Atmospheric and Oceanic Physics. 2020;56:1470-81.

[14]Maurya NK, Pandey PC, Sarkar S, Kumar R, Srivastava PK. Spatio-Temporal Monitoring of Atmospheric Pollutants Using Earth Observation Sentinel 5P TROPOMI Data: Impact of Stubble Burning a Case Study. ISPRS International Journal of Geo-Information. 2022;11(5):301.

[15]Shami S, Ranjgar B, Bian J, Khoshlahjeh Azar M, Moghimi A, Amani M, et al. Trends of CO and NO2 Pollutants in Iran during COVID-19 pandemic using Timeseries Sentinel-5 images in Google Earth Engine. Pollutants. 2022;2(2):156-71.

[16]Trenchev P, Dimitrova M, Avetisyan D. Huge CH4, NO2 and CO Emissions from Coal Mines in the Kuznetsk Basin (Russia) Detected by Sentinel-5P. Remote Sensing. 2023;15(6):1590.

[17]Zhang J, Han G, Mao H, Pei Z, Ma X, Jia W, et al. The spatial and temporal distribution patterns of XCH4 in China: New observations from TROPOMI. Atmosphere. 2022;13(2):177.

[18]Puliafito SE, Berná L, Lopez-Noreña A, Pascual R, Bolaño-Ortiz T, editors. Atmospheric Methane Emissions for Argentina. Comparison with TROPOMI Satellite Mesurements. 2020 IEEE Latin American GRSS & ISPRS Remote Sensing Conference (LAGIRS); 2020: IEEE.

[19]Song H, Sheng M, Lei L, Guo K, Zhang S, Ji Z. Spatial and Temporal Variations of Atmospheric CH4 in Monsoon Asia Detected by Satellite Observations of GOSAT and TROPOMI. Remote Sensing. 2023;15(13):3389.

[20]Sadavarte P, Pandey S, Maasakkers JD, Lorente A, Borsdorff T, Denier van der Gon H, et al. Methane emissions from superemitting coal mines in Australia quantified using TROPOMI satellite observations. Environmental Science & Technology. 2021;55(24):16573-80.

[21]Hajiloo F, Hamzeh S, Gheysari M. Impact assessment of meteorological and environmental parameters on PM 2.5 concentrations using remote sensing data and GWR analysis (case study of Tehran). Environmental Science and Pollution Research. 2019;26:24331-45.

[22]Fuladlu K, Altan H. Examining land surface temperature and relations with the major air pollutants: A remote sensing research in case of Tehran. Urban Climate. 2021;39:100958.

[23]Sabetghadam S, Khoshsima M, Pierleoni A. Aerosol climatology and determination of different types over the semi-arid urban area of Tehran, Iran: application of multi-platform remote sensing satellite data. Atmospheric Pollution Research. 2020;11(9):1625-36.

[24] Rabiei-Dastjerdi H, Mohammadi S, Saber M, Amini S, McArdle G. Spatiotemporal Analysis of NO2 Production Using TROPOMI Time-Series Images and Google Earth Engine in a Middle Eastern Country. Remote Sensing. 2022;14(7):1725.

[25]Hu H, Landgraf J, Detmers R, Borsdorff T, Aan de Brugh J, Aben I, et al. Toward global mapping of methane with TROPOMI: First results and intersatellite comparison to GOSAT. Geophysical Research Letters. 2018;45(8):3682-9.

[26] Cersosimo A, Serio C, Masiello G. TROPOMI NO2 tropospheric column data: regridding to 1 km grid-resolution and assessment of their consistency with in situ surface observations. Remote Sensing. 2020;12(14):2212.

[27] Plant G, Kort EA, Murray LT, Maasakkers JD, Aben I. Evaluating urban methane emissions from space using TROPOMI methane and carbon monoxide observations. Remote Sensing of Environment. 2022;268:112756.

[28] Aldhafeeri T, Tran M-K, Vrolyk R, Pope M, Fowler M. A review of methane gas detection sensors: Recent developments and future perspectives. Inventions. 2020;5(3):28.

[29] Kulithalai Shiyam Sundar P, Deka PC. Spatio-temporal classification and prediction of land use and land cover change for the Vembanad Lake system, Kerala: a machine learning approach. Environmental Science and Pollution Research. 2022;29(57):86220-36.

[30] Sharifi A, Felegari S. Nitrogen dioxide (NO2) pollution monitoring with sentinel-5P satellite imagery over during the coronavirus pandemic (case study: Tehran). Remote Sensing Letters. 2022;13(10):1029-39.

آمار
تعداد مشاهده مقاله: 534
تعداد دریافت فایل اصل مقاله: 238


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب