مدل مبتنی بر شبکه های عصبی مصنوعی به منظور تخمین محتوای ۱۰PM توفان های گردوغبار به کمک تصاویر ماهواره ای MODIS

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 ۱۰ میکرومتر یا ۵/۲ میکرومتر تشکیل شده است. منبع اصلی این ذرات در مناطق طبیعی همچون نمک دریا، گردوغبار یا منابع ناشی از فعالیت های انسان است. هدف این کار بررسی امکان استفاده از تصاویر ماهواره ای سنجنده MODIS به منظور تخمین میزان PM۱۰ اتمسفری ناشی از توفان های گردوغبار 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 ۵۵۵ 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 PM۱۰ در توفان های گردوغبار 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 PM۱۰ توفان های گردوغبار پرداخته ایم. در این پژوهش در اولین قدم، روزهای دارای توفان گردوغبار در سال ۱۳۹۳ 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 گردوغبار، 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 PM۱۰ 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 PM۱۰ 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 ۷۸ ارائه کرد. همچنین، این پژوهش نشان داد که شاخص عمق بصری استخراج شده از باند ۴۷۶ 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 PM۱۰ قابلیت استفاده ندارد.

Keywords:

MODIS , AOD , MLP , ANN , PM۱۰