مقایسه پراکنش خطا در شبکه های عصبی مصنوعی بازگشتی Elman و Jordan در تخمین غلظت ذرات معلق اتمسفر (PM۱۰)با استفاده از تصاویر ماهواره ای MODIS (مورد مطالعاتی: شهر اهواز)

بواسطه پیچیدگی عملکردی پدیده آلودگی هوا، از روش­های هوش مصنوعی بالاخص شبکه عصبی برای مدل سازی آلودگی هوا استفاده می­شود. هدف از این پژوهش دو مدل شبکه عصبی بازگشتی Elman و Jordan در زمینه پراکنش خطا و اعتبارسنجی آنها، به منظور تخمین غلظت ذرات معلق موجود در اتمسفر در شهر اهواز می­باشد. پارامترهای مورد استفاده شامل رطوبت، فشار هوا، دما و عمق نوری آئروسل می­بوده که مقادیر آن از تصاویر ماهواره­ای MODIS و داده­های ایستگاه­های هواشناسی تهیه شده است. نتایج نشان می­داد که مدل Jordan با مقدار RMSE معادل ۹/۲۱۹ میلی گرم بر متر مکعب نسبت به مدل Elman با مقدار RMSE معادل ۵/۲۲۸ دقت برازش بهتری داشته است. مدل Jordan به دلیل استفاده از حلقه­های درونی سبب به­روز رسانی مقادیر زمینه شده و این امر موجب افزایش صحت مدل می­شود. مقدار شاخص R۲ ، که نماینده میزان رابطه خطی بین مقادیر پیش­بینی شده با مقادیر واقعی است، برای مدل Jordan معادل ۵/۰ بدست­آمده است که درصد تخمین صحیح ۵۰ درصد داده­ها را نشان می­داد. در نهایت با استفاده ازداده­های مربوط به غلظت PM۱۰ برای روز ۱۶۲ که بالاترین میزان غلظت را داشت با روش درونیابی IDW نقشه توزیع مکانی آن تولید شد. با توجه به گران بودن ایستگاه­های آلودگی سنجی پیشنهاد شد از منابع کمکی دیگر مانند اطلاعات داوطلبانه با استفاده از سنسورهای ارزان قیمت موبایل به عنوان ایستگاه کمکی متحرک و کم هزینه جهت افزایش تراکم و پراکنش مناسب ایستگاه­ها جهت مدلسازی دقیق­تر آلودگی هوا استفاده شود.  

کلیدواژه ها:

Particular matters ، artificial neural network ، Elman ، Jordan ، MODIS ، آلودگی هوا ، ذرات معلق ، شبکه عصبی مصنوعی ، Elman ، Jordan MODIS