مدل مبتنی بر شبکه های عصبی مصنوعی به منظور تخمین محتوای 10PM توفان های گرد و غبار به کمک تصاویر ماهواره ای MODIS

چکیده:
یکی از شاخص های اصلی کیفیت هوا، میزان غلظت ذرات معلق است. ذرات معلق از ترکیبی از ذرات مایع و جامد، با قطر آئرودینامیکی کمتر از 10 میکرومتر یا 5/2 میکرومتر تشکیل شده است. منبع اصلی این ذرات در مناطق طبیعی همچون نمک دریا، گرد و غبار یا منابع ناشی از فعالیت های انسان است. هدف این کار بررسی امکان استفاده از تصاویر ماهواره ای سنجنده MODIS به منظور تخمین میزان PM10 اتمسفری ناشی از توفان های گرد و غبار است. بدین منظور، با استفاده از شاخص عمق بصری (Aerosol optical depth) سنجنده MODIS مدلی تجربی توسعه داده شد. تاکنون در زمینه تخمین غلظت ذرات معلق با استفاده از تصاویر ماهواره ای مطالعات زیادی انجام شده است. بیشتر این مطالعات با استفاده از شاخص عمق بصری ذرات معلق و ترکیب این شاخص با پارامترهای اقلیمی به مدل سازی غلظت ذرات پرداخته اند. شاخص عمق بصری سنجنده مادیس در پنج باند مختلف ارائه می شود. تحقیقات انجام شده تاکنون همگی با استفاده از باند 555 نانومتر به تخمین غلظت ذرات معلق پرداخته اند. در این پژوهش، نخست هدف تعیین باند مناسب برای شاخص عمق بصری ذرات معلق برای تخمین غلظت PM10 در توفان های گرد و غبار است. در ادامه پس از مشخص شدن بهترین باند با استفاده از پارامترهای اقلیمی و هواشناسی به مدل سازی شبکه عصبی مصنوعی در تخمین غلظت PM10 توفان های گرد و غبار پرداخته ایم. در این پژوهش در اولین قدم، روزهای دارای توفان گرد و غبار در سال 1393 در شهر اهواز در استان خوزستان مشخص شده است. به منظور این کار از پارامتر هواشناسی قابلیت دید در ایستگاه های هواشناسی استفاده شده است. در ادامه در روزهای دارای توفان گرد و غبار، تصاویر ماهواره ای مادیس تهیه و مقادیر شاخص عمق بصری از آن استخراج شده است. سنجنده مادیس شاخص عمق بصری را در پنج باند جداگانه ارائه می دهد. در این مرحله، به منظور شناسایی بهترین باند برای مدل سازی با استفاده از شاخص همبستگی، میزان همبستگی داده ها با مقادیر داده های زمینی محاسبه و بهترین باند با بیشترین میزان همبستگی انتخاب شده است. پس از استخراج مقادیر شاخص عمق بصری از تصاویر ماهواره ای مودیس، به منظور افزایش دقت مدل برای مقادیر برآوردشده، در مقایسه با مقادیر PM10 اندازه گیری شده در سطح زمین، از پارامترهای اقلیمی همچون دما، رطوبت نسبی، سرعت و جهت باد استفاده شد. این پارامترها به دو صورت مستقیم و غیرمستقیم بر PM10 اثرگذار است. به منظور ایجاد مدلی مناسب در این مقاله برای اولین بار از مدل شبکه عصبی مصنوعی MLP(Multilayer Perceptron) و(Radial-Basis Function) RBF استفاده و نتایج خروجی از این دو مدل با یکدیگر مقایسه شده است. پس از مدل سازی نهایی برای صحت سنجی مدل های استفاده شده از دو متغیر (Root Mean Square Error (RMSE و (Mean Absolute Error)MAE استفاده شده است. نتایج نشان داد که مدل MLP بهترین تخمین را با کمترین میزان RMSE به میزان 78 ارائه کرد. همچنین، این پژوهش نشان داد که شاخص عمق بصری استخراج شده از باند 476 نانومتر سنجنده مادیس نتایج دقیق تری نسبت به باندهای دیگر این سنجنده ارائه می کند. همچنین، مدل RBF با تخمین های غیردقیق برای مطالعه و مدل سازی غلظت PM10 قابلیت استفاده ندارد.
زبان:
فارسی
صفحات:
823 تا 838
لینک کوتاه:
magiran.com/p1669161 
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یک‌ساله به مبلغ 990,000ريال می‌توانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
  • حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران می‌شود.
  • پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانه‌های چاپی و دیجیتال را به کاربر نمی‌دهد.
دسترسی سراسری کاربران دانشگاه پیام نور!
اعضای هیئت علمی و دانشجویان دانشگاه پیام نور در سراسر کشور، در صورت ثبت نام با ایمیل دانشگاهی، تا پایان فروردین ماه 1403 به مقالات سایت دسترسی خواهند داشت!
In order to view content subscription is required

Personal subscription
Subscribe magiran.com for 50 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!