در این مطالعه متوجه شدیم که PM_2.5 غلظت تحت تأثیر عواملی قرار گرفت که شامل موقعیت جغرافیایی (طول جغرافیایی و DEM)، تعداد جمعیت، انواع کاربری اراضی (پوشش درختی، پوشش گیاهی برهنه، مرتع، بوته‌ها و مناطق مسکونی)، عوامل هواشناسی (SNSR، SP و LST)، ترکیب جوی ( AOD، HCHO_TC و NO₂_TC)، و معیارهای چشم انداز (AI و SPLIT). SP به طور قابل توجهی با PM همبستگی مثبت داشت_۲٫۵ این سطوح در بیشتر طول سال، احتمالاً به دلیل نقش آن در تثبیت جو و جلوگیری از پراکندگی آلاینده ها است. [۴۸]. ارتفاع، که توسط DEM نشان داده می شود، یک ضریب تاثیر در مدل های زمستان، بهار و سالانه بود. این نه تنها به اثرات عوامل هواشناسی در ارتفاعات مختلف مربوط می شود، بلکه می تواند به دلیل فعالیت های انسانی کمتر و پوشش گیاهی بیشتر در مناطق مرتفع باشد که منجر به کاهش PM می شود._۲٫۵ سطوح [۴۹,۵۰]. علاوه بر این، پوشش درختی به عنوان عامل دیگری در همان مدل LUR در کنار DEM ظاهر شد و این تصور را تقویت کرد که پوشش گیاهی بالاتر، به ویژه در مناطق مرتفع، PM را کاهش می دهد._۲٫۵ آلودگی همبستگی مثبت مشاهده شده بین پوشش گیاهی برهنه و PM_2.5 غلظت در مدل های تابستانی و پاییزی می تواند به دلیل کاهش پوشش زمین در این مناطق باشد که توانایی پوشش گیاهی را برای جذب و حفظ ذرات معلق در هوا کاهش می دهد. [۱۱]. مناطق کم پوشش گیاهی نیز ممکن است دارای خاک در معرض قرار داشته باشند، که منجر به افزایش تعلیق مجدد گرد و غبار، به ویژه در شرایط خشک و باد می شود، در نتیجه باعث افزایش سطح ذرات معلق می شود.

حضور و تاثیر مثبت NO₂_TC در مدل های LUR برای تابستان، پاییز و زمستان را می توان به نقش آن به عنوان یک آلاینده اولیه هوا نسبت داد. نه_۲ از فرآیندهای احتراق از جمله ترافیک، صنایع و نیروگاه ها ساطع می شود. غلظت آن در اتمسفر در ماه های سردتر به دلیل افزایش فعالیت های گرمایشی و شرایط جوی پایدار که پراکندگی آلاینده ها را محدود می کند، بیشتر است. نه_۲ ایجاد ذرات ثانویه ثانویه را از طریق واکنش های فتوشیمیایی با انجام فتولیز در نور خورشید تسهیل می کند و گونه های فعالی مانند مونوکسید نیتروژن و اتم های اکسیژن تولید می کند. این گونه ها در واکنش های بعدی شرکت می کنند، مانند تشکیل ازن، که سپس با ترکیبات آلی فرار مختلف (VOCs) واکنش می دهد تا ترکیبات آلی و معدنی پیچیده تولید کند. این ترکیبات در نهایت متراکم یا منعقد می شوند و ذرات معلق در هوا را تشکیل می دهند و به طور قابل توجهی به ذرات معلق در جو کمک می کنند. [۵۱,۵۲]. این روند در تابستان فعال تر است.

شاخص تجمع (AI) و شاخص تقسیم (SPLIT) اثرات منفی بر PM داشتند_۲٫۵ غلظت در متغیرهای متریک چشم انداز هوش مصنوعی سطح تجمع یا اتصال را در میان تکه‌هایی با همان نوع کاربری زمین اندازه‌گیری کرد [۵۳]. یک مقدار هوش مصنوعی بالاتر نشان‌دهنده خوشه‌بندی فضایی بیشتر است که منجر به مناطق پیوسته بزرگ‌تر استفاده از زمین همگن می‌شود. SPLIT هم تعداد و هم الگوی توزیع تکه‌ها را در یک منظر منعکس می‌کند و ارزیابی از تکه تکه شدن چشم‌انداز را ارائه می‌کند. [۵۴]. یک مقدار SPLIT بالاتر تعداد بیشتری از تکه های پراکنده را که نسبتاً ایزوله بودند، نشان می دهد. اغلب یک رابطه معکوس بین AI و مقادیر SPLIT وجود دارد. هنگامی که تکه‌هایی از یک نوع کاربری زمین متمرکزتر و متصل‌تر بودند، تکه تکه شدن کلی کمتر می‌شد. با این حال، دو شاخص با مقیاس های فضایی متفاوت مطابقت داشتند. در ۲۰۰۰ متر، تجمع لکه های کاربری زمین به کاهش PM کمک کرد._۲٫۵ سطوح، در حالی که توزیع یکنواخت لکه ها در ۵۰۰۰ متر انتشار و انتقال آلاینده ها را تسهیل می کند. این می تواند به دلیل تمرکز برخی کاربری ها مانند فضاهای سبز در محدوده ۲۰۰۰ متری باشد که ریزاقلیم های پایداری را در مقایسه با مناطق اطراف ایجاد می کند که باعث افزایش گردش هوا و کاهش تجمع آلاینده ها می شود. [۵۵]. همبستگی منفی یک SPLIT بالا با PM_2.5 نشان می دهد که در مقیاس های فضایی بزرگتر (در ۵۰۰۰ متر)، تکه تکه شدن چشم انداز ممکن است به ترکیبی از انواع کاربری زمین، از جمله منابع آلودگی (مانند مناطق صنعتی) و غرق ها (مانند جنگل ها و بدنه های آبی) منجر شود. اینها می توانند PM را کاهش دهند_۲٫۵ غلظت اگر اثرات سینک بیشتر از تأثیرات منبع به صورت محلی باشد [۱۳].

با توجه به نتایج R جزئی^۲ما با هم مقایسه کردیم که کدام متغیرها در بین این عوامل تأثیرگذار سهم بیشتری داشتند. ویژگی های مربوط به پوشش گیاهی استفاده از زمین به طور قابل توجهی بر PM تأثیر گذاشت_۲٫۵ غلظت ها در فصل بهار، نسبت مساحت بوته زار در مقیاس محلی (۵۰۰ متر) سایت پایش بیشترین تأثیر را بر PM داشت._۲٫۵ سطوح، با همبستگی مثبت. این یافته ممکن است در ابتدا غیر منطقی به نظر برسد زیرا پوشش گیاهی معمولاً آلودگی هوا را کاهش می دهد. با این حال، مطالعات قبلی نشان داده‌اند که سایبان‌های متراکم بوته‌ها سرعت باد و تلاطم را کاهش می‌دهند و منجر به سطوح بالای غیرمنتظره آلاینده‌های هوا می‌شوند. [۵۶]. این یافته تا حدی دلیل پشت تأثیر مثبت آن را توضیح می دهد. یافته های مطالعه ما این مفهوم را تقویت می کند که افزایش پوشش درختی به کاهش PM کمک می کند._۲٫۵ غلظت، در حالی که مناطق با پوشش گیاهی کم سطوح آلاینده را افزایش می دهند، که به ویژه در نتایج مدل برای پاییز (Bare vegetation_5000) و زمستان (Tree cover_500) مشهود است. علیرغم اینکه زمستان برای بسیاری از گونه ها فصل بدون برگ است، تحقیقات نشان می دهد که درختان همیشه سبز ظرفیت نسبتا بالایی برای جذب ذرات معلق دارند. [۵۷]. یک مشاهدات جالب از مطالعه ما این است که انواع کاربری اراضی مرتبط با پوشش گیاهی، مانند پوشش درختی، بوته زارها، علفزار و پوشش گیاهی برهنه، همگی به عنوان متغیرهای اصلی پیش بینی کننده برای PM ظاهر شدند._۲٫۵ تمرکز. با این حال، متغیر NDVI، که وضعیت کلی رشد پوشش گیاهی را منعکس می‌کند، به طور مداوم به عنوان یک پیش‌بینی‌کننده قابل توجه ظاهر نمی‌شود. این به طور غیرمستقیم از این ایده حمایت می کند که نوع یا ساختار فیزیکی پوشش گیاهی تأثیر مستقیم تری بر کیفیت هوا نسبت به رشد کلی رویشی دارد. [۱۱]. ما همچنین سهم مثبت قابل توجهی از SNSR را در غلظت آلاینده در طول تابستان مشاهده کردیم. در تابستان، تشعشعات خورشیدی به طور کلی شدیدتر است و افزایش تابش خورشیدی می تواند واکنش های فتوشیمیایی خاصی را تسریع کند، در نتیجه بر فرآیندهای تشکیل و اتلاف ذرات معلق تاثیر می گذارد._۲٫۵ در جو [۵۸].

این مطالعه همچنین تغییرات فصلی در توزیع فضایی PM را شناسایی کرد_۲٫۵ آلودگی در طول فصل زمستان در منطقه مورد مطالعه، افزایش احتراق زغال سنگ منجر به افزایش انتشار ذرات معلق می شود._۲٫۵ و پیش سازهای آن، از جمله اکسیدهای نیتروژن و VOCs. این فرآیند به عنوان عامل اصلی آلودگی زمستانی در منطقه است. توپوگرافی دشت مرکزی ارتفاعات کمتری را نشان می دهد، در حالی که منطقه جنوب شرقی با زمین کوهستانی مشخص می شود. شرایط تهویه برای پراکندگی آلاینده ها به بیرون نامطلوب است. علاوه بر این، شرایط زمستانی وقوع وارونگی دما را تقویت می کند و مانع از پراکندگی عمودی آلاینده ها در جو می شود. [۵۹,۶۰]. در پاییز، غلظت کلی آلودگی کم است، اما تفاوت بین آلودگی شهری و روستایی برجسته است. این ممکن است به عوامل هواشناسی، به ویژه الگوهای باد نسبت داده شود. میانگین سرعت باد در پاییز کمترین میزان در بین فصول سال است و طبقه بندی پایدار جوی پراکندگی آلاینده ها را دشوار می کند. علاوه بر این، مطالعات قبلی نشان داد که برخلاف زمستان و بهار، آلودگی ذرات معلق در لیائونینگ تحت تأثیر ورودی توده‌های هوای آلوده خارجی قرار گرفت و انتشارات محلی منبع اصلی در پاییز بود. [۶۱]. نتایج ما نیز از این پشتیبانی می‌کند، جایی که متغیرهای پیش‌بینی‌کننده مانند pop_count، LST، NO₂_TC و HCHO_TC در مدل پاییز حفظ شدند و می‌توان آن‌ها را به عنوان عوامل مرتبط با فعالیت‌های انسانی و انتشارات محلی در نظر گرفت. از آنجایی که گرمایش مرکزی شروع نشده بود، منطقه شهری به متمرکزترین نقطه کانونی فعالیت های انسانی تبدیل می شود و شدت انتشار منبع به طور قابل توجهی بیشتر از مناطق اطراف است. بنابراین بارزترین اختلاف آلودگی بین مناطق شهری و روستایی شکل می گیرد.

این مطالعه چندین محدودیت داشت. اول، در مقایسه با مطالعات مربوطه، عوامل مرتبط با ترافیک به عنوان پیش‌بینی‌کننده‌های اصلی در مطالعه ما ظاهر نشدند، حتی اگر آنها اغلب منبع مهمی برای PM در نظر گرفته شوند._۲٫۵ [۱۸,۲۹]. متغیرهای ترافیک انتخاب شده، از جمله تراکم جاده و داده های مربوط به مکان، ممکن است به اندازه کافی ویژگی های انتشار منبع ترافیک را منعکس نکنند. اگرچه به‌دست آوردن داده‌های مستقیم در مورد جریان ترافیک در کوتاه‌مدت دشوار است، متغیرهایی که مستقیم‌تر ویژگی‌های حجم ترافیک را نشان می‌دهند، مانند نقشه‌های گرمای ترافیک یا شرایط از برنامه‌های خدمات نقشه‌برداری وب، باید در نظر گرفته شوند. دوم، شی و همکاران. کشف کردند که عوامل مورفولوژیکی ساختمان شهری به طور قابل توجهی بر PM تأثیر می گذارد_۲٫۵ الگوهای فضایی در مناطق ساخته شده از تراکم شهری مرکزی لیائونینگ [۲۴]. با این حال، با توجه به محدودیت داده ها، این مطالعه تنها از مجموعه داده شطرنجی ارتفاع متوسط ​​ساختمان به عنوان پارامتر استفاده کرد. تحقیقات آتی می‌تواند شاخص‌های دیگری را در نظر بگیرد که منعکس‌کننده الگوی و شکل ساختمان‌ها هستند، مانند تراکم ساختمان، نسبت سطح کف، ضریب نمای آسمان و شاخص سطح جلو. سوم، از نظر معیارهای چشم انداز، این مطالعه فقط معیارهای سطح چشم انداز را شامل می شود. ترکیب معیارهای سطح کلاس می تواند تفسیر جامع تری از اثرات ترکیبی انواع و الگوهای چشم انداز مختلف را تسهیل کند و راهنمایی روشن تری برای طرح و برنامه ریزی کاربری زمین ارائه دهد. علاوه بر این، وضوح مکانی نقشه آلودگی تولید شده در این مطالعه ۱ کیلومتر است که بر اساس تنظیمات استفاده شده توسط Wu و همکاران است. در مطالعه خود در مورد دلتای رودخانه مروارید [۲۹]. دلیل دیگر به محدودیت های سخت افزاری و ظرفیت محاسباتی نسبت داده می شود. همانطور که نتایج نشان می‌دهد، این مدل چندین متغیر پیش‌بینی‌کننده را در مقیاس‌های فضایی باریک‌تر از ۱ کیلومتر، مانند Grassland_50 و Tree_cover_500 ترکیب می‌کند، که پتانسیل را برای وضوح افزایش یافته نشان می‌دهد. هدف مطالعات آینده پرداختن به این محدودیت‌های محاسباتی، برای ثبت بهتر ویژگی‌های آلودگی ریزتر است. در نهایت مدل ساخته شده در این مطالعه خطی بود. قدرت توضیحی بین ۶۲ تا ۷۰ درصد و دقت پیش‌بینی بین ۵۷ تا ۶۱ درصد است. مطالعات مرتبط از الگوریتم‌های یادگیری ماشین غیرخطی استفاده کردند که می‌توانند دقت پیش‌بینی بیش از ۹۰ درصد را به دست آورند و روابط غیرخطی بین متغیرها را ثبت کنند. در حالی که مدل LASSO مزیت تفسیرپذیری را ارائه می‌کند، ممکن است روابط غیرخطی پیچیده‌تری را که می‌تواند با دقت بیشتری ویژگی‌های فضایی آلودگی را منعکس کند، نادیده بگیرد.