نوع مقاله : علمی - پژوهشی

نویسندگان

1 استاد و مدیر گروه فناوری اطلاعات مرکز علمی کاربردی علوم و فنون علامه طبرسی - کارمند رسمی وزارت امور اقتصادی و دارایی

2 هیات علمی گروه صنایع دانشگاه صنعتی کرمانشاه

3 کارمند دانشکده پیرا پزشکی دانشگاه علوم پزشکی کرمانشاه

4 استادیار گروه مهندسی کامپیوتر دانشگاه اراک

10.52547/gisj.2022.225909.1083

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. 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.

کلیدواژه‌ها

عنوان مقاله [English]

Optimizing the results of ML-Based GMDH algorithm in order to increase the accuracy of dust detection and horizontal visibility depth through TLBO algorithm

نویسندگان [English]

  • مهدی Amiri 1
  • Farzad Amiri 2
  • Mohammad Hossein Pourasad 3
  • Seyfollah Soleimani 4

1 Professor and Director of Information Technology Department, Allameh Tabarsi Center for Applied Science and Technology - Official Officer of the Ministry of Economic Affairs and Finance

2 Faculty of Industry, Kermanshah University of Technology

3 Employee of Paramedical School of Kermanshah University of Medical Sciences

4 Assistant Professor, Department of Computer Engineering, Arak University

چکیده [English]

Clean air quality, as one of the most essential needs of living organisms, has been compromised by natural and artificial activities. Dust storms have been constantly increasing in recent years, which have resulted in countless social, economic and environmental health damages for residents of southern and southwestern regions of Iran. In this study, (MODIS) sensor data are used to investigate dust storms and detect horizontal depth of field. The advantages of MODIS sensor data include high spectral and temporal resolution. In addition, data from meteorological stations are collected according to the study period. After pre-processing data and preparing field observations, features required for modeling are derived from the MODIS sensor data through a differential method between the selected bands of each MODIS sensor image along with the features extracted from the sensor. Ground meteorological stations are used. With further studies and evaluations and using the opinions of meteorological experts 42 features are used of which36 are extracted from different bands of Moody's images and 6 features are extracted from meteorological station data. Next, best features are identified through feature selection techniques and a new method called ML-Based GMDH. which is the result of improving the GMDH neural network by changing partial functions with machine learning models, was used to detect dust concentration and horizontal visibility. In addition, to achieve the appropriate accuracy, the meta-parameters of this model are adjusted by the TLBO optimization algorithm. Furthermore, basic GMDH machine learning methods SVM, MLP, MLR, RF and their group model are implemented to compare with the main approach. Results shows that the ML-Based GMDH method adjusted with TLBO by improving on the best methods. The machine learner provides good accuracy in detecting dust concentrations.

کلیدواژه‌ها [English]

  • dust
  • horizontal visibility detection
  • remote sensing
  • machine learning
  • TLBO algorithm
  • GMDH neural network