محمدحسین قلی زاده؛ جمیل امان اللهی؛ فردین رحیمی
چکیده
تحقیق حاضر با هدف ارزیابی دقت دادههای ماهوارهای سنجندة مادیس در پایش ریزگردها (ذرات PM10 )، بهمنظور مقایسه با دادههای ایستگاه زمینی سنجش آلودگی در شهر سنندج انجام گرفته است. بدینترتیب، میزان عملکرد دادههای ماهوارهای در اندازهگیری ریزگردها، در ایستگاه زمینی سنندج، مشخص میشود. ابتدا دادههای ماهوارهای عمق نوری (ذرات ...
بیشتر
تحقیق حاضر با هدف ارزیابی دقت دادههای ماهوارهای سنجندة مادیس در پایش ریزگردها (ذرات PM10 )، بهمنظور مقایسه با دادههای ایستگاه زمینی سنجش آلودگی در شهر سنندج انجام گرفته است. بدینترتیب، میزان عملکرد دادههای ماهوارهای در اندازهگیری ریزگردها، در ایستگاه زمینی سنندج، مشخص میشود. ابتدا دادههای ماهوارهای عمق نوری (ذرات PM10 ) سنجندۀ مادیس، متناظر با دادههای PM10 زمینی تهیهشده از ایستگاه زمینی پایش آلودگی واقع در شهر سنندج، بهدست آمد؛ آنگاه ضریب همبستگی دو سری داده محاسبه شد. برای پیشبینی دقیق دادههای PM10، دو مدل آریما و شبکة عصبی مصنوعی بهکار رفت. دادههای AOD سنجندة مادیس با استفاده از روش حداکثر برآورد احتمال و وزن بهدستآمده از ریشة میانگین مربعات خطا، بهمنظور استفاده در این دو مدل، ترکیب شدند. در نهایت، روش مقایسۀ منفرد برای هریک از مدلها و نیز مقایسۀ مدلها، با هدف شناسایی مدل بهتر در تشخیص و پیشبینی دادههای PM10 حاصل از سنجندۀ مادیس، اعتبارسنجی شد. در مدل شبکۀ عصبی، ضریب همبستگی در مرحلۀ آموزش 52%، در مرحلۀ آزمون 53%، RMSE برابر با 62/1 و MAE برابر 62/2 بهدست آمد. طبق محاسبات، مدل آریمای 1-0-3 تنها مدل مورد قبول با R برابر با 46/0و 06/0MAE= و 69/0RMSE= است. این بیان میکند مدل آریما مدل مناسبی برای پیشبینی دادههاست اما دقت مدل شبکۀ عصبی، در ارزیابی میزان همبستگی بین دادهها، بیشتر تشخیص داده شد. نتایج تحقیق نشان داد که بین دادههای عمق نوری ریزگرد سنجندۀ مادیس با دادههای زمینی رابطۀ مستقیمی وجود دارد و این الگوریتم قادر به شناسایی گردوغبار است و میتواند جایگزین مناسبی برای محصولات PM10 تولیدشده از سوی ایستگاه زمینی باشد.