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 ۹/۲۱۹ میلی گرم بر متر مکعب نسبت به مدل Elman با مقدار RMSE معادل ۵/۲۲۸ 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 R۲ ، که نماینده میزان رابطه خطی بین مقادیر پیشبینی شده با مقادیر واقعی است، برای مدل Jordan معادل ۵/۰ بدستآمده است که درصد تخمین صحیح ۵۰ درصد دادهها را نشان میداد. در نهایت با استفاده ازدادههای مربوط به غلظت PM۱۰ برای روز ۱۶۲ 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.
