مقایسه پراکنش خطا در شبکه های عصبی مصنوعی بازگشتی Elman و Jordan در تخمین غلظت ذرات معلق اتمسفر (PM10)با استفاده از تصاویر ماهواره ای MODIS (مورد مطالعاتی: شهر اهواز)

بواسطه پیچیدگی عملکردی پدیده آلودگی هوا، از روش های هوش مصنوعی بالاخص شبکه عصبی برای مدل سازی آلودگی هوا استفاده می شود. 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 می باشد. پارامترهای مورد استفاده شامل رطوبت، فشار هوا، دما و عمق نوری آئروسل می باشند که مقادیر آن از تصاویر ماهواره ای MODIS و داده های ایستگاه های هواشناسی تهیه شده است. نتایج نشان می دهد که مدل Jordan با مقدار RMSE معادل 219/9 میلی گرم بر متر مکعب نسبت به مدل Elman با مقدار RMSE معادل 228/5 دقت برازش بهتری داشته است. مدل Jordan به دلیل استفاده از حلقه های درونی سبب بروز رسانی مقادیر زمینه شده و این امر موجب افزایش صحت مدل می شود. مقدار شاخص R2 ، که نماینده میزان رابطه خطی بین مقادیر پیش بینی شده با مقادیر واقعی است، برای مدل Jordan معادل 0/5 بدست آمده است که درصد تخمین صحیح 50 درصد داده ها را نشان می دهد. در نهایت با استفاده ازداده های 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 ایستگاه های آلودگی سنجی پیشنهاد می شود 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 ها جهت مدلسازی دقیق تر آلودگی هوا استفاذه شود.