fa مقایسه پراکنش خطا در شبکه‌های عصبی مصنوعی بازگشتی Elman و Jordan در تخمین غلظت ذرات معلق اتمسفر (PM10)با استفاده از تصاویر ماهواره‌ای MODIS (مورد مطالعاتی: شهر اهواز) Gis Geography Information System پژوهشي Research <div style="text-align: justify;"><span style="font-family:b nazanin;"><span style="font-size:12.0pt;">بواسطه پیچیدگی عملکردی پدیده آلودگی هوا، از روش&shy;های هوش مصنوعی بالاخص شبکه عصبی برای مدل سازی آلودگی هوا استفاده می&shy;شود. هدف از این پژوهش دو مدل شبکه عصبی بازگشتی </span></span><span dir="LTR"><span style="font-family:times new roman,serif;">Elman</span></span><span style="font-family:b nazanin;"><span style="font-size:12.0pt;"> و </span></span><span dir="LTR"><span style="font-family:times new roman,serif;">Jordan</span></span><span style="font-family:b nazanin;"><span style="font-size:12.0pt;"> در زمینه پراکنش خطا و اعتبارسنجی آنها، به منظور تخمین غلظت ذرات معلق موجود در اتمسفر در شهر اهواز می&shy;باشد. پارامترهای مورد استفاده شامل رطوبت، فشار هوا، دما و عمق نوری آئروسل می&shy;بوده که مقادیر آن از تصاویر ماهواره&shy;ای </span></span><span dir="LTR"><span style="font-family:times new roman,serif;">MODIS</span></span><span style="font-family:b nazanin;"><span style="font-size:12.0pt;"> و داده&shy;های ایستگاه&shy;های هواشناسی تهیه شده است. نتایج نشان می&shy;داد که مدل </span></span><span dir="LTR"><span style="font-family:times new roman,serif;">Jordan</span></span><span style="font-family:b nazanin;"><span style="font-size:12.0pt;"> با مقدار </span></span><span dir="LTR"><span style="font-family:times new roman,serif;">RMSE</span></span><span style="font-family:b nazanin;"><span style="font-size:12.0pt;"> معادل 9/219 میلی گرم بر متر مکعب نسبت به مدل </span></span><span dir="LTR"><span style="font-family:times new roman,serif;">Elman</span></span><span style="font-family:b nazanin;"><span style="font-size:12.0pt;"> با مقدار </span></span><span dir="LTR"><span style="font-family:times new roman,serif;">RMSE</span></span><span style="font-family:b nazanin;"><span style="font-size:12.0pt;"> معادل 5/228 دقت برازش بهتری داشته <span style="color:black;">است. مدل </span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;">Jordan</span></span></span><span style="color:black;"><span style="font-family:b nazanin;"><span style="font-size:12.0pt;"> به دلیل استفاده از حلقه&shy;های درونی سبب به&shy;روز رسانی مقادیر زمینه شده و این امر موجب افزایش صحت مدل می&shy;شود.</span></span></span><span style="color:black;"><span style="font-family:b nazanin;"><span style="font-size:12.0pt;"> مقدار شاخص </span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;">R²</span></span></span> <span style="color:black;"><span style="font-family:b nazanin;"><span style="font-size:12.0pt;">، که نماینده میزان رابطه خطی بین مقادیر پیش&shy;بینی شده با مقادیر واقعی است، برای مدل </span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;">Jordan</span></span></span><span style="color:black;"><span style="font-family:b nazanin;"><span style="font-size:12.0pt;"> معادل 5/0 بدست&shy;آمده است که درصد تخمین صحیح 50 درصد داده&shy;ها را نشان می&shy;داد. در نهایت با استفاده ازداده&shy;های مربوط به غلظت </span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;">PM10</span></span></span><span style="color:black;"><span style="font-family:b nazanin;"><span style="font-size:12.0pt;"> برای روز 162 که بالاترین میزان غلظت را داشت با روش درونیابی </span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;">IDW</span></span></span><span style="color:black;"><span style="font-family:b nazanin;"><span style="font-size:12.0pt;"> نقشه توزیع مکانی آن تولید شد.</span></span></span><span style="color:black;"><span style="font-family:b nazanin;"><span style="font-size:12.0pt;"> با توجه به گران بودن ایستگاه&shy;های </span></span></span><span style="font-family:b nazanin;"><span style="font-size:12.0pt;">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 ایستگاه&shy;ها جهت مدلسازی دقیق&shy;تر آلودگی هوا استفا</span></span><span style="font-family:b nazanin;"><span style="font-size:12.0pt;">د</span></span><span style="font-family:b nazanin;"><span style="font-size:12.0pt;">ه شود.</span></span><br> &nbsp;</div> <div style="text-align: justify;">Due to the complexity of air pollution action, artificial intelligence models specifically, neural networks are utilized to simulate air pollution. So far, numerous artificial neural network models have been used to estimate the concentration of atmospheric PMs. These models have had different accuracies that scholars are constantly exceed their efficiency using numerous parameters. The current research aims to compare Elman and Jordan recurrent networks for error distribution and validation to estimate atmospheric particular matters concentration in Ahvaz city. The used parameters are relative humidity, air pressure, and temperature and aerosol optical depth. The latter one is extracted from MODIS sensor images and air pollution monitoring stations. The results show that Jordan model with RMSE of 219.9 milligram per cubic meter has more accuracy rather than Elman model with RMSE of 228.5. The value of R2 index that shows the linear relation between the estimated from the model and observed values for Jordan is equal to 0.5 that implies 50% estimation accuracy. The value is because of MODIS spatial resolution, inadequacy in numbers as well as spatial distribution of meteorological station inside the study area. According to the results of the current research, it seems that air pollution monitoring stations have to increase in terms of numbers and suitable spatial distribution. Also, other ancillary data like volunteer geographic air pollution data entry using mobile connected cheap sensors as portable stations may be used to implement more accurate simulation for air pollution.<br> &nbsp;</div> آلودگی هوا, ذرات معلق , شبکه عصبی مصنوعی, Elman, Jordan MODIS, Particular matters, artificial neural network, Elman, Jordan, MODIS 155 169 http://jgs.khu.ac.ir/browse.php?a_code=A-10-754-1&slc_lang=fa&sid=1 javad sadidi جواد سدیدی jsadidi@gmail.com 10031947532846003806 10031947532846003806 Yes kharazmi university دانشگاه خوارزمی تهران hani rezayan هانی رضائیان Hani.Rezayan@gmail.com 10031947532846003807 10031947532846003807 No kharazmi university دانشگاه خوارزمی تهران Mohammad reza barshan محمدرضا برشان reza540101@gmail.com 10031947532846003808 10031947532846003808 No kharazmi university دانشگاه خوارزمی تهران