دوره 17، شماره 47 - ( 10-1396 )
جلد 17 شماره 47 صفحات 169دوره155فصل__Se |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
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
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
جواد سدیدی* 
1، هانی رضائیان2 ، محمدرضا برشان2
1، هانی رضائیان2 ، محمدرضا برشان2
1- دانشگاه خوارزمی تهران ، jsadidi@gmail.com
2- دانشگاه خوارزمی تهران
2- دانشگاه خوارزمی تهران
چکیده: (6953 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.
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 پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
CC BY
نشریه «تحقیقات کاربردی علوم جغرافیایی» به‌طور کامل الزامات انتشار دسترسی آزاد را طبق«CreativeCommons Attribution 4.0 International License (CC BY 4.0)» رعایت می‌کند.
