مقايسه پراكنش خطا در شبكه‌هاي عصبي مصنوعي بازگشتي Elman و Jordan در تخمين غلظت ذرات معلق اتمسفر (PM10)با استفاده از تصاوير ماهواره‌اي MODIS (مورد مطالعاتي: شهر اهواز)

بواسطه پيچيدگي عملكردي پديده آلودگي هوا، از روش هاي هوش مصنوعي بالاخص شبكه عصبي براي مدل سازي آلودگي هوا استفاده مي شود. هدف از اين پژوهش دو مدل شبكه عصبي بازگشتي Elman و Jordan در زمينه پراكنش خطا و اعتبارسنجي آنها، به منظور تخمين غلظت ذرات معلق موجود در اتمسفر در شهر اهواز مي باشد. پارامترهاي مورد استفاده شامل رطوبت، فشار هوا، دما و عمق نوري آئروسل مي بوده كه مقادير آن از تصاوير ماهواره اي MODIS و داده هاي ايستگاه هاي هواشناسي تهيه شده است. نتايج نشان مي داد كه مدل Jordan با مقدار RMSE معادل 219.9 ميلي گرم بر متر مكعب نسبت به مدل Elman با مقدار RMSE معادل 228.5 دقت برازش بهتري داشته است. مدل Jordan به دليل استفاده از حلقه هاي دروني سبب به روز رساني مقادير زمينه شده و اين امر موجب افزايش صحت مدل مي شود. مقدار شاخص R2 ، كه نماينده ميزان رابطه خطي بين مقادير پيش بيني شده با مقادير واقعي است، براي مدل Jordan معادل 0.5 بدست آمده است كه درصد تخمين صحيح 50 درصد داده ها را نشان مي داد. در نهايت با استفاده ازداده هاي مربوط به غلظت PM10 براي روز 162 كه بالاترين ميزان غلظت را داشت با روش درونيابي IDW نقشه توزيع مكاني آن توليد شد. با توجه به گران بودن ايستگاه هاي آلودگي سنجي پيشنهاد شد از منابع كمكي ديگر مانند اطلاعات داوطلبانه با استفاده از سنسورهاي ارزان قيمت موبايل به عنوان ايستگاه كمكي متحرك و كم هزينه جهت افزايش تراكم و پراكنش مناسب ايستگاه ها جهت مدلسازي دقيق تر آلودگي هوا استفاده شود.