دوره 17، شماره 47 - ( 10-1396 )                   جلد 17 شماره 47 صفحات 169دوره155فصل__Se | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

sadidi J, rezayan H, barshan M R. 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.. jgs 2017; 17 (47) :155-169
URL: http://jgs.khu.ac.ir/article-1-2895-fa.html
سدیدی جواد، رضائیان هانی، برشان محمدرضا. 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). نشریه تحقیقات کاربردی علوم جغرافیایی. 1396; 17 (47) :155-169

URL: http://jgs.khu.ac.ir/article-1-2895-fa.html


1- دانشگاه خوارزمی تهران ، jsadidi@gmail.com
2- دانشگاه خوارزمی تهران
چکیده:   (6603 مشاهده)
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.
 
متن کامل [PDF 1460 kb]   (2253 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: Gis

فهرست منابع
1. بیات، ر.، س. جعفری، ب. قرمزچشمه و ا.ح. چرخابی. (1395) مطالعه تأثیر ریزگردها بر تغییرات پوشش گیاهی (مطالعه موردی: تالاب شادگان، خوزستان). نشریه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی. 7(2). 17-32.
2. پورهاشمی، س.، م. بروغنی، م. ع. زنگنه اسدی و ا. امیراحمدی.(1394). تحلیل ارتباط پوشش گیاهی بر وقوع تعداد گرد و غبار استان خراسان رضوی با استفاده از سیستم اطلاعات جغرافیایی و سنجش از دور. نشریه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی. 6(4). 33-45.
3. فلاح ززولی، م.، ع. وفایی‌نژاد، م.م. خیرخواه زرکش و ف. احمدی دهکاء. (1393). منشاء‌یابی گرد و غبار غرب و جنوب غرب ایران و تحلیل سینوپتیکی آن با استفاده از سنجش از دور و سیستم اطلاعات جغرافیایی. نشریه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی. 5(4). 61-78.
4. گلابی، م.،م. ع. آخوندعلی و ف. رادمنش. (2013). مقایسه عملکرد الگوریتم های مختلف شبکه عصبی مصنوعی در مدل سازی بارندگی فصلی مطالعه موردی؛ ایستگاه های منتخب استان خوزستان. نشریه تحقیقات کاربردی علوم جغرافیایی.13 (30) 169-151.
5. محیط زیست خوزستان, “گزارش مربوط به تاریخ و منشا طوفان های گرد و غبار در استان خوزستان در سال 1392,” خوزستان, 1393.
6. Afzali, A., Rashid, M., Sabariah, B., & Ramli, M. (2014). PM10 Pollution: Its Prediction and Meteorological Influence in PasirGudang, Johor. In IOP Conference Series: Earth and Environmental Science (Vol. 18, No. 1, p. 012100). IOP Publishing.
7. Barai, S. V., Dikshit, A. K., & Sharma, S. (2007). Neural network models for air quality prediction: a comparative study. In Soft Computing in Industrial Applications (pp. 290-305). Springer Berlin Heidelberg.
8. Benas, N., Beloconi, A., & Chrysoulakis, N. (2013). Estimation of urban PM10 concentration, based on MODIS and MERIS/AATSR synergistic observations. Atmospheric Environment, 79, 448-454.
9. Elman, J. L. (1990). Finding structure in time. Cognitive science, 14(2), 179-211.
10. Engel-Cox, J. A., Holloman, C. H., Coutant, B. W., & Hoff, R. M. (2004). Qualitative and quantitative evaluation of MODIS satellite sensor data for regional and urban scale air quality. Atmospheric Environment, 38(16), 2495-2509.
11. Gupta, P., & Christopher, S. A. (2009). Particulate matter air quality assessment using integrated surface, satellite, and meteorological products: 2. A neural network approach. Journal of Geophysical Research: Atmospheres (1984–2012), 114(D20). Chicago.
12. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780.
13. Hopfield, J. J. (1982). Neural networks and physical systems with emergent collective computational abilities. Proceedings of the national academy of sciences, 79(8), 2554-2558.
14. Hörmann, S., Pfeiler, B., & Stadlober, E. (2005). Analysis and prediction of particulate matter PM10 for the winter season in Graz. Austrian Journal of Statistics, 34(4), 307-326.
15. Hrdličková, Z., Michalek, J., Kolář, M., & Veselý, V. (2008). Identification of factors affecting air pollution by dust aerosol PM 10 in Brno City, Czech Republic. Atmospheric Environment, 42(37), 8661-8673.
16. Jordan, M. I. (1997). Serial order: A parallel distributed processing approach. Advances in psychology, 121, 471-495.
17. Kaufman, Y. J., & Tanre, D. (1994). Direct and indirect methods for correcting the aerosol effect on remote sensing.
18. Kloog, I., Koutrakis, P., Coull, B. A., Lee, H. J., & Schwartz, J. (2011). Assessing temporally and spatially resolved PM< sub> 2.5 exposures for epidemiological studies using satellite aerosol optical depth measurements. Atmospheric Environment, 45(35), 6267-6275.
19. Koelemeijer, R. B. A., Homan, C. D., & Matthijsen, J. (2006). Comparison of spatial and temporal variations of aerosol optical thickness and particulate matter over Europe. Atmospheric Environment, 40(27), 5304-5315.
20. Li, C., Hsu, N. C., & Tsay, S. C. (2011). A study on the potential applications of satellite data in air quality monitoring and forecasting. Atmospheric Environment, 45(22), 3663-3675.
21. Liu, Y., Franklin, M., Kahn, R., & Koutrakis, P. (2007). Using aerosol optical thickness to predict ground-level PM 2.5 concentrations in the St. Louis area: a comparison between MISR and MODIS. Remote sensing of Environment, 107(1), 33-44.
22. Liu, Y., Sarnat, J. A., Kilaru, V., Jacob, D. J., & Koutrakis, P. (2005). Estimating ground-level PM2. 5 in the eastern United States using satellite remote sensing. Environmental science & technology, 39(9), 3269-3278.
23. Liu, Y., Schichtel, B. A., & Koutrakis, P. (2009). Estimating particle sulfate concentrations using MISR retrieved aerosol properties. Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal of, 2(3), 176-184.
24. Ordieres, J. B., Vergara, E. P., Capuz, R. S., & Salazar, R. E. (2005). Neural network prediction model for fine particulate matter (PM 2.5) on the US–Mexico border in El Paso (Texas) and Ciudad Juárez (Chihuahua). Environmental Modeling & Software, 20(5), 547-559.
25. Pelletier, B., Santer, R., & Vidot, J. (2007). Retrieving of particulate matter from optical measurements: a semiparametric approach. Journal of Geophysical Research: Atmospheres, 112(D6).
26. Pérez, P., Trier, A., & Reyes, J. (2000). Prediction of PM 2.5 concentrations several hours in advance using neural networks in Santiago, Chile. Atmospheric Environment, 34(8), 1189-1196.
27. Tian, J., & Chen, D. (2010). A semi-empirical model for predicting hourly ground-level fine particulate matter (PM< sub> 2.5) concentration in southern Ontario from satellite remote sensing and ground-based meteorological measurements. Remote Sensing of Environment, 114(2), 221-229.
28. Van Donkelaar, A., Martin, R. V., & Park, R. J. (2006). Estimating ground‐level PM2. 5 using aerosol optical depth determined from satellite remote sensing. Journal of Geophysical Research: Atmospheres, 111(D21).
29. Wu, Y., Guo, J., Zhang, X., Tian, X., Zhang, J., Wang, Y., ... & Li, X. (2012). Synergy of satellite and ground based observations in estimation of particulate matter in eastern China. Science of the Total Environment, 433, 20-30
30. Afzali, A., Rashid, M., Sabariah, B., & Ramli, M. (2014). PM10 Pollution: Its Prediction and Meteorological Influence in PasirGudang, Johor. In IOP Conference Series: Earth and Environmental Science (Vol. 18, No. 1, p. 012100). IOP Publishing.
31. Barai, S. V., Dikshit, A. K., & Sharma, S. (2007). Neural network models for air quality prediction: a comparative study. In Soft Computing in Industrial Applications (pp. 290-305). Springer Berlin Heidelberg.
32. Benas, N., Beloconi, A., & Chrysoulakis, N. (2013). Estimation of urban PM10 concentration, based on MODIS and MERIS/AATSR synergistic observations. Atmospheric Environment, 79, 448-454.
33. Elman, J. L. (1990). Finding structure in time. Cognitive science, 14(2), 179-211.
34. Engel-Cox, J. A., Holloman, C. H., Coutant, B. W., & Hoff, R. M. (2004). Qualitative and quantitative evaluation of MODIS satellite sensor data for regional and urban scale air quality. Atmospheric Environment, 38(16), 2495-2509.
35. Gupta, P., & Christopher, S. A. (2009). Particulate matter air quality assessment using integrated surface, satellite, and meteorological products: 2. A neural network approach. Journal of Geophysical Research: Atmospheres (1984–2012), 114(D20). Chicago.
36. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780.
37. Hopfield, J. J. (1982). Neural networks and physical systems with emergent collective computational abilities. Proceedings of the national academy of sciences, 79(8), 2554-2558.
38. Hörmann, S., Pfeiler, B., & Stadlober, E. (2005). Analysis and prediction of particulate matter PM10 for the winter season in Graz. Austrian Journal of Statistics, 34(4), 307-326.
39. Hrdličková, Z., Michalek, J., Kolář, M., & Veselý, V. (2008). Identification of factors affecting air pollution by dust aerosol PM 10 in Brno City, Czech Republic. Atmospheric Environment, 42(37), 8661-8673.
40. Jordan, M. I. (1997). Serial order: A parallel distributed processing approach. Advances in psychology, 121, 471-495.
41. Kaufman, Y. J., & Tanre, D. (1994). Direct and indirect methods for correcting the aerosol effect on remote sensing.
42. Kloog, I., Koutrakis, P., Coull, B. A., Lee, H. J., & Schwartz, J. (2011). Assessing temporally and spatially resolved PM< sub> 2.5 exposures for epidemiological studies using satellite aerosol optical depth measurements. Atmospheric Environment, 45(35), 6267-6275.
43. Koelemeijer, R. B. A., Homan, C. D., & Matthijsen, J. (2006). Comparison of spatial and temporal variations of aerosol optical thickness and particulate matter over Europe. Atmospheric Environment, 40(27), 5304-5315.
44. Li, C., Hsu, N. C., & Tsay, S. C. (2011). A study on the potential applications of satellite data in air quality monitoring and forecasting. Atmospheric Environment, 45(22), 3663-3675.
45. Liu, Y., Franklin, M., Kahn, R., & Koutrakis, P. (2007). Using aerosol optical thickness to predict ground-level PM 2.5 concentrations in the St. Louis area: a comparison between MISR and MODIS. Remote sensing of Environment, 107(1), 33-44.
46. Liu, Y., Sarnat, J. A., Kilaru, V., Jacob, D. J., & Koutrakis, P. (2005). Estimating ground-level PM2. 5 in the eastern United States using satellite remote sensing. Environmental science & technology, 39(9), 3269-3278.
47. Liu, Y., Schichtel, B. A., & Koutrakis, P. (2009). Estimating particle sulfate concentrations using MISR retrieved aerosol properties. Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal of, 2(3), 176-184.
48. Ordieres, J. B., Vergara, E. P., Capuz, R. S., & Salazar, R. E. (2005). Neural network prediction model for fine particulate matter (PM 2.5) on the US–Mexico border in El Paso (Texas) and Ciudad Juárez (Chihuahua). Environmental Modeling & Software, 20(5), 547-559.
49. Pelletier, B., Santer, R., & Vidot, J. (2007). Retrieving of particulate matter from optical measurements: a semiparametric approach. Journal of Geophysical Research: Atmospheres, 112(D6).
50. Pérez, P., Trier, A., & Reyes, J. (2000). Prediction of PM 2.5 concentrations several hours in advance using neural networks in Santiago, Chile. Atmospheric Environment, 34(8), 1189-1196.
51. Tian, J., & Chen, D. (2010). A semi-empirical model for predicting hourly ground-level fine particulate matter (PM< sub> 2.5) concentration in southern Ontario from satellite remote sensing and ground-based meteorological measurements. Remote Sensing of Environment, 114(2), 221-229.
52. Van Donkelaar, A., Martin, R. V., & Park, R. J. (2006). Estimating ground‐level PM2. 5 using aerosol optical depth determined from satellite remote sensing. Journal of Geophysical Research: Atmospheres, 111(D21).
53. Wu, Y., Guo, J., Zhang, X., Tian, X., Zhang, J., Wang, Y., ... & Li, X. (2012). Synergy of satellite and ground based observations in estimation of particulate matter in eastern China. Science of the Total Environment, 433, 20-30

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به تحقیقات کاربردی علوم جغرافیایی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Applied researches in Geographical Sciences

Designed & Developed by : Yektaweb