انتشار گاز متان (CH4) از محل‌هاي دفن زباله (لندفيل‌ها) يكي از چالش‌هاي كليدي محيط‌زيستي است كه نقش مهمي در تغييرات اقليمي و كيفيت هواي منطقه‌اي ايفا مي‌كند. اين پژوهش با هدف ارزيابي جامع الگوهاي زماني و مكاني انتشار متان از لندفيل كهريزك (آرادكوه) در بازه زماني 2022 تا 2023، يك چارچوب روش‌شناسي يكپارچه را با تلفيق «مدل‌سازي پراكنش جوي»، «سنجش‌ازدور» و «يادگيري ماشين» توسعه داده است. در اين تحقيق، عملكرد دو مدل پراكنش فيزيكي شامل مدل گاوسي AERMOD (حالت-پايا) و مدل لاگرانژي CALPUFF (حالت-غيرپايا) با استفاده از داده‌هاي هواشناسي بازتحليل‌شدي ERA5 و داده‌هاي جو بالا مورد ارزيابي قرار گرفت. به‌منظور اعتبارسنجي، از داده‌هاي غلظت ستوني متان حاصل از ماهواره Sentinel-5P (سنجنده TROPOMI) استفاده شد كه با روش آماري «ميانگين‌گيري پيراسته» براي حذف اثر پس‌زمينه تصحيح گرديدند. همچنين، يك مدل رگرسيون جنگل تصادفي (Random Forest) براي پيش‌بيني توزيع مكاني متان بر اساس متغيرهاي محيطي توسعه يافت. نتايج نشان داد كه الگوي انتشار در منطقه داراي يك رفتار فصلي U-شكل است؛ به‌طوري‌كه بيشترين غلظت در فصول سرد (زمستان) به دليل پايداري جو و كاهش ارتفاع لايه اختلاط رخ مي‌دهد. مقايسه تطبيقي مدل‌ها آشكار ساخت كه مدل AERMOD با حفظ همبستگي پيرسون بالا و معنادار(r ‎> 0.83) در هر دو سال، پايدارترين ابزار براي تحليل «روند زماني» است. در مقابل، مدل CALPUFF با آشكارسازي پديده «انباشت آلاينده» در شرايط سكون باد، غلظت‌هايي تا 15 برابر بالاتر را در كانون لندفيل پيش‌بيني كرد كه نشان‌دهنده ريسك‌هاي حاد موضعي است. مدل يادگيري ماشين نيز با دستيابي به ضريب تعيين R2 معادل 0.52 و خطاي ناچيز (RMSE <‎ 6.4 ppb)، موفق شد بدون نياز به داده‌هاي نرخ انتشار، كانون آلودگي را صرفاً بر اساس متغيرهاي «پوشش اراضي» و «فشار سطح» شناسايي كند. اين پژوهش اثبات مي‌كند كه براي مديريت كيفيت هوا در لندفيل‌هاي بزرگ، استفاده از رويكرد تركيبي (AERMOD براي پايش روند، CALPUFF براي مديريت بحران و يادگيري ماشين براي مكان‌يابي) ضروري است.

1404/11/14

Modeling the methane emission from landfills covered with soil

9/24/2026 12:00:00 AM

Methane (CH₄) emission from lan‎dfills is a key environmental challenge, playing a significant role in climate change an‎d regional air quality. This research aims to provide a comprehensive assessment of spatiotemporal methane emission patterns from the Kahrizak lan‎dfill (Aradkouh), one of the largest emission sources in the Middle East, by employing an integrated methodological framework for the 2022-2023 period. In this study, three complementary approaches were integrated: physical dispersion modeling, remote sensing-based monitoring, an‎d data-driven analysis with machine learning. For dispersion modeling, two distinct models were eva‎luated: the Gaussian AERMOD (steady-state) an‎d the Lagrangian CALPUFF (non-steady-state), fed by surface (ERA5) an‎d upper-air meteorological data. Observational methane concentration data were extracted from the Sentinel-5P TROPOMI instrument an‎d corrected using a "Trimmed Me@n" statistical method to remove background effects, serving as ground truth for validation. Additionally, a Ran‎dom Forest (RF) regression model was developed to predict spatial methane distribution based on environmental variables. The results revealed a distinct seasonal pattern (U-shape) with peak concentrations in cold seasons (winter) due to atmospheric stability an‎d reduced mixing height. Comparative analysis demonstrated that AERMOD, maintaining a high an‎d significant Pearson correlation (r ‎> 0.83) in both years, is the most stable tool for analyzing temporal trends. Conversely, CALPUFF revealed the phenomenon of "pollutant accumulation" during calm wind conditions, predicting concentrations up to 15 times higher at the lan‎dfill core, indicating acute local risks. The Ran‎dom Forest model also successfully reconstructed the spatial distribution with a coefficient of determination R2 of 0.52 an‎d negligible error (RMSE <‎ 6.4 ppb), identifying "Lan‎d Cover" an‎d "Surface Pressure" as the most critical predictors. Ultimately, this research demonstrates that integrating these approaches is essential for effective management: AERMOD for trend monitoring, CALPUFF for accumulation risk assessment, an‎d Machine Learning for spatial hotspot identification.

گاز متان , لندفيل , مدل AERMOD , مدل CALPUFF , يادگيري ماشين , RandomForest

Methane , Landfill , AERMOD Model , CALPUFF Model , Machine learning , Random Forest

Mona Haseli

Dr. Seyed Mostafa Siadat Moosavi-Dr. Majid Hossein Zadeh