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)
سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 188
فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JGSKH-17-47_008
تاریخ نمایه سازی: 18 مهر 1401
چکیده مقاله:
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:
نویسندگان
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :