محمد حسین قلی زاده

در این عصرشگفت انگیز دانش و اطلاعات، با عمومیت یافتن سریع دسترسی به تکنولوژی و اطلاعات ارسالی ماهواره های ناظر بر وضعیت کره زمین و سامانه های ثبت این اطلاعات، دیگر نیازی به هزینه-کردهای بالا جهت جمع آوری داده های مختلف از نقاط دور و نزدیک و صعب العبور مشاهده نمی-شود. طی سالیان اخیر موج استفاده و بهره گیری از سیستمهای نظارت و کنترل از دور در سرتاسر جهان فراگیر شده است. لذا در این تحقیق، امکان استفاده از داده های ماهواره ای در زمینه اندازه-گیری گردوغبار در نقاط مختلف استان کردستان و نیز بررسی پوشش کامل داده های ناقص (پیش بینی داده ها) مورد بررسی قرار گرفت. بر این اساس، ابتدا داده ای از تولیدات ماهواره ای عمق نوری AOD (ذرات PM10 ) سنجنده ی مودیس متناظر با داده های PM10 زمینی تهیه شده از ایستگاه زمینی پایش آلودگی اداره کل حفاظت محیط زیست استان کردستان واقع در شهر سنندج تهیه گردید. پس از آن، میزان ضریب همبستگی دو سری داده محاسبه و نیز محصولات PM10 حاصل، با استفاده از روش حداکثر برآورد احتمال و نیز استفاده از وزن به دست آمده از ریشه میانگین مربعات خطا (RMSE) در مدل های رگرسیون و شبکه ی عصبی و آریما برای پیش-بینی داده های PM10 سنجنده مودیس با دقت بالا ترکیب شدند. درنهایت، روش مقایسه ی منفرد بین مدل ها، جهت شناسایی مدل دقیقتر در پیش بینی داده های PM10 حاصل از سنجنده ی مودیس، استفاده شد. در مدل رگرسیون ضریب همبستگی R برابر است با 46% و RMSE برابر با 071834317/0 و MAE برابر با 00516/0 و در مدل شبکه عصبی ضریب همبستگی R در مرحله-ی آموزش برابر با 52% و در مرحله آزمون برابر با 53% و RMSE برابر با 618513/1 و MAE برابر با 619586/2 است. نتایج مدل آریما با R برابر با 46% و 06/0MAE= و 6897/0 RMSE= بیان-کننده ی این است که این مدل نیز مدل مناسبی برای پیش بینی داده ها است. با توجه به محاسبات انجام شده در این تحقیق، مدل شبکه عصبی، دارای دقت بیشتری جهت ارزیابی میزان همبستگی داده ها تشخیص داده شد. نتایج مدل آریما نشان داد که برای پیش بینی داده های وابسته، مناسب می باشد. افرادی که قصد تحقیق در این مورد را دارند می توانند با در نظر گرفتن تمام شرایط و محدودیت ها جهت بررسی وضعیت نواحی مختلف استان از نظر مقدار گردوغبار به جای مراجعه به نقاط مختلف و صعب العبور و نصب تجهیزات گرانقیمت اندازه گیری گ