مهدی امیری؛ فرزاد امیری؛ محمد حسین پوراسد؛ سیف اله سلیمانی
چکیده
کیفیت هوای پاک به عنوان یکی از ضروریترین نیازهای موجودات زنده، در اثر فعالیتهای طبیعی و مصنوعی به مخاطره افتاده است. در سال‌های اخیر، طوفان‌های گرد و غبار از حیث مکانی و زمانی همواره در حال افزیش بوده و سبب آسیب‌های بی‌شمار در حوزه سلامت اجتماعی، اقتصادی و زیست محیطی و غیره برای ساکنان مناطق جنوب و جنوبغربی ایران شده است. ...
بیشتر
کیفیت هوای پاک به عنوان یکی از ضروریترین نیازهای موجودات زنده، در اثر فعالیتهای طبیعی و مصنوعی به مخاطره افتاده است. در سال‌های اخیر، طوفان‌های گرد و غبار از حیث مکانی و زمانی همواره در حال افزیش بوده و سبب آسیب‌های بی‌شمار در حوزه سلامت اجتماعی، اقتصادی و زیست محیطی و غیره برای ساکنان مناطق جنوب و جنوبغربی ایران شده است. در پژوهش حاضر، جهت بررسی طوفان‌های گرد و غبار و تشخیص عمق دید افقی از داده‌های سنجنده مودیس استفاده شده است. از مزایای داده‌های سنجنده مودیس می‌توان به توان تفکیک طیفی و زمانی بالا اشاره نمود. همچنین داده‌های ایستگاه‌های هواشناسی با توجه به بازه زمانی مورد مطالعه، جمع‌آوری شده است. پس از پیش‌پردازش داده‌ها و آماده‌سازی مشاهدات میدانی، جهت استخراج ویژگی‌های مورد نیاز برای انجام مدلسازیها، از طریق روش تفاضلی بین باندهای منتخب هر تصویر داده‌های سنجنده مودیس به همراه ویژگی‌های استخراج شده از سنسور های ایستگاه‌های هواشناسی زمینی استفاده شده است. با بررسی های بیشتر و ارزیابی‌های صورت گرفته و استفاده از نظرات خبرگان هواشناسی تعداد 36 ویژگی تفاضلی از باندهای مختلف تصاویر مودیس و 6 ویژگی از داده‌های ایستگاه‌های هواشناسی زمینی که مجموعا 42 ویژگی می‌باشد استخراج شده است. در ادامه از طریق تکنیک‌های انتخاب ویژگی بهترین ویژگی‌ها شناسایی و از یک روش جدید با عنوان ML-Based GMDH که حاصل بهبود شبکه عصبی GMDH از طریق تغییر توابع جزئی با مدل‌های یادگیری ماشین است برای تشخیص غلظت گرد و غبار و دید افقی استفاده شد. همچنین، برای دستیابی به دقت مناسب ابر پارامترهای این مدل به صورت ابتکاری توسط الگوریتم بهینه‌سازی TLBO تنظیم شدند. در ادامه روش‌های یادگیری ماشین Basic GMDH SVM,MLP,MLR,RFو مدل گروهی آنها نیز جهت مقایسه با رویکرد اصلی پیاده سازی گردیده و نتایج حاصل نشان دادند که روش ML-Based GMDH تنظیم شده با TLBOبا ایجاد بهبود نسبت به روش‌های یادگیر ماشین ذکر شده، دقت بهتری را در تشخیص غلظت گرد و غبار فراهم کرده است.
مهدی امیری؛ سیف‌اله سلیمانی؛ فاخته سلطانی تفرشی
چکیده
طی دهه‌های گذشته، طوفان‌های گردوغبار از لحاظ مکانی و زمانی همواره در حال افزیش بوده‌اند. طوفان‌های گردوغبار خاورمیانه سبب رسیدن آسیب‌های بی‌شماری در حوزة سلامت اجتماعی، اقتصادی، زیست‌محیطی و دیگر موارد به ساکنان مناطق جنوب و جنوب‌غرب ایران شده است. در این مقاله، به‌منظور بررسی طوفان‌های گردوغبار، از داده‌های سنجندة MODIS استفاده ...
بیشتر
طی دهه‌های گذشته، طوفان‌های گردوغبار از لحاظ مکانی و زمانی همواره در حال افزیش بوده‌اند. طوفان‌های گردوغبار خاورمیانه سبب رسیدن آسیب‌های بی‌شماری در حوزة سلامت اجتماعی، اقتصادی، زیست‌محیطی و دیگر موارد به ساکنان مناطق جنوب و جنوب‌غرب ایران شده است. در این مقاله، به‌منظور بررسی طوفان‌های گردوغبار، از داده‌های سنجندة MODIS استفاده شد. از محاسن داده‌های سنجندة MODIS، توان تفکیک طیفی و زمانی بالای آن است. در این پژوهش، از دو مجموعه دادة MODIS استفاده شد؛ بخش اول، داده‌های توسعة مدل (رخداد 21-18 ژانویة 2018) و بخش دوم، داده‌های تست و ارزیابی مدل. داده‌های هواشناسی نیز، با توجه به بازة زمانی مورد مطالعه، جمع‌آوری شد. پس از پیش‌پردازش داده‌ها و آماده‌کردن مشاهدات میدانی، ویژگی (ورودی شبکة عصبی مصنوعی) از داده‌های سنجندة MODIS، به‌روش پیشنهادی، تولید می‌شود. ازطریق شبکة عصبی مصنوعی، مدلی مناسب توسعه یافت که، بدین‌ترتیب، می‌توان گردوغبار استخراج و پارامتر دید افقی را، هم‌زمان، برآورد کرد. خروجی مدل با خروجی شاخص NDDI مقایسة بصری شد. سپس، برای بررسی کارآیی روش پیشنهادی، مدل توسعه‌یافته با داده‌های مربوط به زمان دیگر تست و خروجی مدل با خروجی شاخص NDDI مقایسة بصری شد. در نهایت، به‌منظور نشان‌دادن نقاط قوت و ضعف روش پیشنهادی، ارزیابی دقت ازطریق مقایسة نتایج روش پیشنهادی و پارامتر دید افقی در ایستگاه‌های سینوپتیک انجام شد. میزان خطای کلی، به‌ترتیب، 10%، 10%، 15% و 10% درمورد پردازش تصاویر هجدهم ژانویه، نوزدهم ژانویه، بیستم ژانویه و 21اُم ژانویة 2018 و 20% و 25% درمورد پردازش تصاویر 26اُم ژانویة 2019 و 28اُم اکتبر 2018 به‌دست آمد. با اتصال به پایگاه دادة سازمان هواشناسی کشوری، روش پیشنهادی دارای قابلیت به‌کارگیری در سیستم خودکار استخراج گردوغبار است.
