مدل مبتنی بر شبکه‌های عصبی مصنوعی به‌منظور تخمین محتوای 10PM توفان‌های گردوغبار به کمک تصاویر ماهواره‌ای MODIS

یکی از شاخص‌های اصلی کیفیت هوا، میزان غلظت ذرات معلق است. ذرات معلق از ترکیبی از ذرات مایع و جامد، با قطر آئرودینامیکی کمتر از 10 میکرومتر یا 5/2 میکرومتر تشکیل شده است. منبع اصلی این ذرات در مناطق طبیعی همچون نمک دریا، گردوغبار یا منابع ناشی از فعالیت‌های انسان است. هدف این کار بررسی امکان استفاده از تصاویر ماهواره‌ای سنجندة MODIS به‌منظور تخمین میزان PM10 اتمسفری ناشی از توفان‌های گردوغبار است. بدین‌منظور، با استفاده از شاخص عمق بصری (Aerosol optical depth) سنجندة MODIS مدلی تجربی توسعه داده شد. تاکنون در زمینة تخمین غلظت ذرات معلق با استفاده از تصاویر ماهواره‌ای مطالعات زیادی انجام شده است. بیشتر این مطالعات با استفاده از شاخص عمق بصری ذرات معلق و ترکیب این شاخص با پارامترهای اقلیمی به مدل‌سازی غلظت ذرات پرداخته‌اند. شاخص عمق بصری سنجندة مادیس در پنج باند مختلف ارائه می‌شود. تحقیقات انجام‌شده تاکنون همگی با استفاده از باند 555 نانومتر به تخمین غلظت ذرات معلق پرداخته‌اند. در این پژوهش، نخست هدف تعیین باند مناسب برای شاخص عمق بصری ذرات معلق برای تخمین غلظت PM10 در توفان‌های گردوغبار است. در ادامه پس از مشخص‌شدن بهترین باند با استفاده از پارامترهای اقلیمی و هواشناسی به مدل‌سازی شبکة عصبی مصنوعی در تخمین غلظت PM10 توفان‌های گردوغبار پرداخته‌ایم. در این پژوهش در اولین قدم، روزهای دارای توفان گردوغبار در سال 1393 در شهر اهواز در استان خوزستان مشخص شده است. به‌منظور این کار از پارامتر هواشناسی قابلیت دید در ایستگاه‌های هواشناسی استفاده شده است. در ادامه در روزهای دارای توفان گردوغبار، تصاویر ماهواره‌ای مادیس تهیه و مقادیر شاخص عمق بصری از آن استخراج شده است. سنجندة مادیس شاخص عمق بصری را در پنج باند جداگانه ارائه می‌دهد. در این مرحله، به‌منظور شناسایی بهترین باند برای مدل‌سازی با استفاده از شاخص همبستگی، میزان همبستگی داده‌ها با مقادیر داده‌های زمینی محاسبه و بهترین باند با بیشترین میزان همبستگی انتخاب شده است. پس از استخراج مقادیر شاخص عمق بصری از تصاویر ماهواره‌ای مودیس، به‌منظور افزایش دقت مدل برای مقادیر برآوردشده، در مقایسه با مقادیر PM10 اندازه‌گیری‌شده 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 PM10 اثرگذار است. به‌منظور ایجاد مدلی مناسب در این مقاله برای اولین‌بار از مدل شبکة 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 مدل‌سازی نهایی برای صحت‌سنجی مدل‌های استفاده‌شده 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 78 ارائه کرد. همچنین، این پژوهش نشان داد که شاخص عمق بصری استخراج‌شده از باند 476 نانومتر سنجندة مادیس نتایج دقیق‌تری نسبت به باندهای دیگر این سنجنده ارائه می‌کند. همچنین، مدل RBF با تخمین‌های غیردقیق برای مطالعه و مدل‌سازی غلظت PM10 قابلیت استفاده ندارد.