هدف این مطالعه ارزیابی و پیش‌بینی PM₁₀ شهر اهواز با روش‌های آماری و شبکه عصبی مصنوعی بود. داده‌های روزانه‌ی هواشناسی و داده‌های PM₁₀ (1390 تا 1402) از سازمان هواشناسی و اداره کل محیط‌زیست خوزستان دریافت شد. ابتدا داده‌ها پردازش و نرمال بودن آن‌ها با روش کلموگروف اسمیرنوف بررسی شد. با توجه به غیرنرمال بودن داده‌ها، از روش‌های اسپیرمن و تاوی بی کندال برای بررسی همبستگی‌شان با نرم‌افزار spss استفاده شد. سایر بخش‌ها با زبان برنامه‌نویسی پایتون و در فضای اسپایدر انجام شد؛ سری زمانی و اطلاعات آماری داده‌ها به دست آمد. جهت پیش‌بینی میزان PM10 برای گام‌های زمانی آینده از روش شبکه عصبی (MLP) استفاده شد. بیانگر وجود ارتباط معنادار بین متغیرهای هواشناسی و PM₁₀ بود. به ترتیب، نتایج همبستگی‌های اسپیرمن و تاوی بی کندال نشان داد بین PM10 با سرعت باد (به میزان 0.094 و 0.061) و دما (0.284 و 0.187) دارای همبستگی مثبت و معنادار در سطح اطمینان 99% می‌باشد. همچنین، این پارامتر با دیدافقی (0.408- و 0.300 -)، جهت باد (0.048 – و 0.034 -)، بارش (0.159 – و 0.125-) و رطوبت نسبی (0.259 – و 0.173-) دارای همبستگی معکوس و معناداری در سطح اطمینان 0.99% بوده است. برای پیش‌بینی میزان PM₁₀ آینده، از شبکه عصبی (MLP) استفاده شد. مدل از نوع Sequential با یک لایه‌ی ورودی با 6 نورون، سه لایه‌ی مخفی از نوع Dense با 16، 32 و 64 نورون و یک لایه خروجی بود. میانگین مربعات خطای MSE برای بخش آموزش برابر با 0.0034 و برای داده‌های اعتبارسنجی val_loss: 0.0012 بود. برای بخش آزمایش، اعتبار سنجی برابر mse_mlp=0.0048 و val_loss: 0.0012 بود. نتایج می‌دهد که بین داده‌های هواشناسی و PM10 همبستگی معناداری از نوع مستقیم یا معکوسی وجود دارد. نتایج (MLP) نشان داد که شبکه توانسته عملکرد و خروجی مطلوبی را ارائه دهد و پیش‌بینی قابل‌قبولی برای داده‌های PM10 شهر اهواز داشته باشد.
 

این تحقیق با هدف مدلسازی تغییرات زمانی-‌ مکانی آلبدو با استفاده از اثر همزمان چند مولفه از جمله: رطوبت لایه سطحی خاک (Wetness)، ابرناکی(Cloudiness)، توپوگرافی و تراکم پوشش گیاهی(NDVI) با استفاده از مدل MEERA2 با قدرت  تفکیک 50 در 50 کیلومتر طی سال­های 2000 تا 2010 در گستره­ی ایران مورد بررسی قرار گرفت. نتایج حاصل از تحلیل فضایی مقادیر آلبدو در گستره ایران نشان داد که بیشترین مقدار در طول جغرافیایی 44 تا 45 درجه شرقی به میزان 2/8 تا 3/3 و کمترین مقدار بازتابش نیز بین 52 تا 53 درجه طول­ شرقی یعنی دامنه های شرقی رشته کوه­های زاگرس به میزان 1 تا 1/5 واحد به ثبت رسیده است. از نظر رتبه استانی نیز بیشترین بازتابش به میزان 0/25واحد مربوط به استان ایلام می باشد و سپس استان فارس به مقدار 0/24 واحد در رتبه بعدی قرار گرفته است. کمترین میزان آلبدو نیز به استان­های گیلان و سپس مازندارن با مقادیر 0/17 و 0/19 واحد اختصاص دارد. همچنین نتایج حاصل از تحلیل زمانی در مقیاس فصلی نشان داد که بیشترین مقدار آلبدو در پهنه ایران در فصل زمستان به مقدار 0/26 واحد و حداقل مقدار بازتابش در فصل بهار با 0/23 واحد به ثبت رسیده است. در مجموع با توجه به عوامل مورد استفاده، می­توان گفت که مناطق غرب و مرکز کشور دارای بیشترین؛ و مناطق شمال و شمالغرب کشور دارای کمترین آلبدو هستند.
 

هدف از این تحقیق بررسی اثرات نوسان اطلس شمالی بر تغییرات تراز میانی جو و در نتیجه ریزش‌های غرب کشور می‌باشد. جهت انجام این کار، ابتدا داده­های بارش ماهانه 17 ایستگاه سینوپتیک منتخب غرب کشور در بازه­ی زمانی 30 ساله از سال­های 1984 تا 2014 از سازمان هواشناسی کشور اخذ شد. همچنین داده‌های پیوند از دور نوسان اطلس شمالی و داده‌های ناهنجاری ارتفاع ژئوپتانسیل، فشار تراز دریا و بارش از سایت NOAA دریافت گردید. برای مشخص شدن ارتباط بین دو فاز شاخص NAO با بارش غرب ایران از ضریب همبستگی پیرسون در سطح حداقل معنی‌داری95 درصد، (P_value = 0.05) استفاده شد. در نهایت با استفاده از نقشه‌های سینوپتیک، ارتباط فضایی بین داده‌ها، مورد تجزیه‌وتحلیل قرار گرفت. نتایج گویای آن بود که بین تغییرات نوسان اطلس شمالی با ناهنجاری ارتفاع تراز میانی جو و میزان بارش‌های غرب ایران در چهار ماه­ ژانویه، مارس، آوریل و نوامبر ارتباط و همزمـانی وجـود دارد. نتایج نشان داد که، در زمان حاکمیت فاز مثبت نوسان اطلس شمالی، میانگین ناهنجاری ارتفاع تراز میانی جو در نیمه غربی ایران 17 متر کم‌تر از بلندمدت می شود و میانگین بارش در هر ماه 5/23 میلی‌متر افزایش‌ یافته و تر­سالی حاکم شده؛ اما زمانی که حاکمیت با فاز منفی باشد، ناهنجاری ارتفاع تراز میانی جو به‌طور میانگین 20 متر بیشتر از نرمال است، در نتیجه خشک‌سالی غرب کشور را فرا خواهد گرفت و بارش این منطقه هر ماه با کاهش 30 میلی­متری روبرو خواهد شد. درکل می­توان گفت که خشک‌سالی‌های همزمان با فاز منفی بسیار شدیدتر از ترسالی‌های ناشی از فاز مثبت نوسان اطلس شمالی بوده است.

با استفاده از مدل‌سازی رشد و توسعه شهری می­توان روند توسعه­ای متناسب با موقعیت شهر را با توجه به فاکتورهای زیست‌محیطی و عوامل طبیعی و جمعیت ­پذیری ترسیم کرد. هدف از انجام این پژوهش ارائه مدل توسعه شهری شوشتر است که به‌عنوان ابزار مفیدی برای تجزیه‌وتحلیل فرایندهای پیچیده تحولات شهری استفاده شود. برای نیل به این هدف از دو پایگاه داده نقشه­ های کاربری های شهری فضاهای آموزشی، درمانی، مسکن و... و تصاویر ماهواره­ای لندست برای کاربری­ های اراضی عمده مانند رودخانه، مناطق بایر، جنگل و... در سه دوره زمانی 1991، 2004 و 2014 در محیط نرم ­افزارهای GIS و MATLAB استفاده شد. نقشه ­های کاربری­ های شهری موجود پس از رقومی ­سازی، با استفاده از تصاویر ماهواره ­ای لندست به‌روزرسانی شدند. سپس پارامترهای مؤثر در توسعه ­ی شهری به‌عنوان ورودی با الگوریتم استنتاج نرو- فازی تطبیقی (ANFIS) وارد شدند و پس از آموزش برای سال­ های 1991 و 2004، به‌منظور ارزیابی عملکرد روش پیشنهادی، نتیجه پیش­ بینی توسعه شهری با استفاده از الگوریتم، با وضعیت موجود در سال 2014 مقایسه گردید که نتایج بسیار به واقعیت نزدیک و با صحت سنجی 93.7% است. نقشه تغییرات کاربری که نتیجه فرایند آشکارسازی تغییرات می‌باشد را می‌توان بر اساس تصاویر چندزمانه سنجش‌ازدور و تلفیق آن با نقشه­ های کاربری شهری تهیه‌کرده و پیامدهای مربوطه را موردبررسی قرار داد. استفاده از الگوریتم ­های هوشمند در این تحقیق به ما این امکان را داده که با صحت بالا مدل‌سازی را انجام دهیم. نتایج به‌دست‌آمده قابل‌قبول بوده و این توسعه برای سال ­های آتی نیز پیش ­بینی شد.

با استفاده از مدل‌سازی رشد و توسعه شهری می­توان روند توسعه­ای متناسب با موقعیت شهر را با توجه به فاکتورهای زیست‌محیطی و عوامل طبیعی و جمعیت ­پذیری ترسیم کرد. هدف از انجام این پژوهش ارائه مدل توسعه شهری شوشتر است که به‌عنوان ابزار مفیدی برای تجزیه‌وتحلیل فرایندهای پیچیده تحولات شهری استفاده شود. برای نیل به این هدف از دو پایگاه داده نقشه­ های کاربری های شهری فضاهای آموزشی، درمانی، مسکن و... و تصاویر ماهواره­ای لندست برای کاربری­ های اراضی عمده مانند رودخانه، مناطق بایر، جنگل و... در سه دوره زمانی 1991، 2004 و 2014 در محیط نرم ­افزارهای GIS و MATLAB استفاده شد. نقشه ­های کاربری­ های شهری موجود پس از رقومی ­سازی، با استفاده از تصاویر ماهواره ­ای لندست به‌روزرسانی شدند. سپس پارامترهای مؤثر در توسعه ­ی شهری به‌عنوان ورودی با الگوریتم استنتاج نرو- فازی تطبیقی (ANFIS) وارد شدند و پس از آموزش برای سال­ های 1991 و 2004، به‌منظور ارزیابی عملکرد روش پیشنهادی، نتیجه پیش­ بینی توسعه شهری با استفاده از الگوریتم، با وضعیت موجود در سال 2014 مقایسه گردید که نتایج بسیار به واقعیت نزدیک و با صحت سنجی 93.7% است. نقشه تغییرات کاربری که نتیجه فرایند آشکارسازی تغییرات می‌باشد را می‌توان بر اساس تصاویر چندزمانه سنجش‌ازدور و تلفیق آن با نقشه­ های کاربری شهری تهیه‌کرده و پیامدهای مربوطه را موردبررسی قرار داد. استفاده از الگوریتم ­های هوشمند در این تحقیق به ما این امکان را داده که با صحت بالا مدل‌سازی را انجام دهیم. نتایج به‌دست‌آمده قابل‌قبول بوده و این توسعه برای سال ­های آتی نیز پیش ­بینی شد.