ارزیابی دقت مدل های MLR، PCR، ARIMA و MLP در پیش بینی عمق نوری هواویزها

برآورد عمق نوری هواویزها (AOD) برای بررسی میزان ذرات معلق موجود در جو که یکی از آلاینده های هوا است استفاده می شود. در این پژوهش برای برآورد عمق نوری هواویزها در ایستگاه های فاقد تشعشع سنج و یا برآورد یک ساله (اتورگرسیو) در ایستگاه های دارای تشعشع سنج از مدل های مختلف همچون مدل های رگرسیون چند گانه (MLR)، رگرسیون مولفه های مبنا (PCR)، خودرگرسیون میانگین متحرک انباشته (ARIMA) و نیز مدل شبکه عصبی مصنوعی (MLP)، استفاده شد. بدین منظور داده های دما، رطوبت نسبی، سرعت باد و ارتفاع لایه اتمسفری اخذ شده از پایگاه داده جهانی ECMWF در تراز ۸۵۰ هکتوپاسکال به عنوان متغیرهای مستقل و همچنین داده های تشعشع سنج خورشیدی اداره هواشناسی شهرستان سنندج در بازه ی زمانی ۱/۱/۲۰۰۵ تا ۳۱/۱۲/۲۰۱۶ به عنوان متغیر وابسته در نظر گرفته شدند. نتایج نشان داد که مدل ARIMA با دارا بودن مقادیر عددی ۹۱/۰ R۲=، ۰۵۰۱/۰RMSE= و ۰۳۳/۰MAE= در مرحله آموزش مدل و نیز مقادیر ۸۹/۰ R۲=، ۰۵۸۶/۰RMSE= و ۰۳۷۴/۰MAE= در مرحله آزمون مدل دارای بهترین عملکرد در برآورد عمق نوری هواویزها در ایستگاه های فاقد تشعشع سنج است. همچنین نتایج مرحله اتورگرسیو نشان داد که مدل MLP با دارا بودن مقادیر عددی ۹۶/۰ R۲=، ۰۴۸۳/۰RMSE= و ۰۲۸/۰MAE= بالاترین دقت را از میان مدل های فوق در برآورد عمق نوری هواویزها برای سال ۲۰۱۷داشته است.

کلیدواژه ها:

پایگاه داده ECMWF ، پیش بینی ، عمق نوری هواویزها ، خودرگرسیون میانگین متحرک انباشته ، شبکه عصبی مصنوعی