TY - JOUR T1 - Accuracy comparison of Elamn and Jordan artificial neural networks for air particular matter concentration (PM 10) prediction using MODIS satellite images, a case study of Ahvaz. TT - 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) JF - jgs JO - jgs VL - 17 IS - 47 UR - http://jgs.khu.ac.ir/article-1-2895-fa.html Y1 - 2017 SP - 155 EP - 169 KW - Particular matters KW - artificial neural network KW - Elman KW - Jordan KW - MODIS N2 - 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 9/219 میلی گرم بر متر مکعب نسبت به مدل Elman با مقدار RMSE معادل 5/228 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 R2 ، که نماینده میزان رابطه خطی بین مقادیر پیش­بینی شده با مقادیر واقعی است، برای مدل Jordan معادل 5/0 بدست­آمده است که درصد تخمین صحیح 50 درصد داده­ها را نشان می­داد. در نهایت با استفاده ازداده­های مربوط به غلظت PM10 برای روز 162 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. M3 ER -