نوع مقاله : علمی - پژوهشی

نویسندگان

1 گروه GIS ، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی

2 گروه جغرافیا، دانشکده علوم انسانی، دانشگاه هرمزگان

10.52547/gisj.2022.229157.1126

چکیده

طوفان‌های گردوغبار بلایای طبیعی‌ای هستند که به‌شدت بر زندگی انسان و محیط‌زیست تأثیر گذاشته‌اند. توسعه ی مدل‌هایی جهت پیش‌بینی مسیر حرکت این طوفان‌ها نقش بسزایی در پیشگیری و مدیریت طوفان‌های گردوغبار ایفا می‌کند، زیرا مسیر انتقال آن‌ها را آشکار می‌کنند و مناطق آسیب‌پذیر بعدی در برابر طوفان را مشخص می‌کنند. به لطف قابلیت روش‌های یادگیری عمیق در حل مسائل مبتنی بر سری زمانی و یافتن الگوهای پنهان از حجم داده کلان، در این پژوهش یک مدل ترکیبی شبکه عصبی پیچشی (CNN) جهت پیش‌بینی مسیر حرکت طوفان گردوغبار بر اساس داده عمق نوری هواویز (AOD) محصول MERRA-2 برای 12 ساعت آینده توسعه داده ‌شده است. از 40 رویداد طوفان شامل 2489 ساعت طوفان در منطقه‌ای خشک در مرکز و جنوب آسیا جهت آموزش مدل استفاده ‌شده است. نتایج نشان می‌دهد که مدل پیشنهادی پیش‌بینی دقیقی از مسیر حرکت طوفان ارائه می‌دهد، به‌طوری‌که برای گام‌های زمانی 3، 6، 9 و 12 ساعات آینده، مقادیر دقت کلی به ترتیب برابر 9806/0، 9810/0، 9813/0 و 9790/0، مقادیر امتیاز F1 به ترتیب برابر 8490/0، 8524/0، 8530/0 و 8384/0 و مقادیر ضریب کاپا به ترتیب برابر 8387/0، 8424/0، 8431/0 و 8273/0 هستند.

کلیدواژه‌ها

عنوان مقاله [English]

A Convolutional Neural Network Model for Predicting the Transport Pathway of Dust Storms

نویسندگان [English]

  • Mahdis Yarmohamadi 1
  • Ali Asghar Alesheikh 1
  • Mohammad Sharif 2

1 Department of GIS, Geodesy and Geomatics Engineering Faculty, K. N. Toosi University of Technology

2 Department of Geography, University of Hormozgan, Bandar Abbas, Iran

چکیده [English]

Dust storms are natural disasters that have severely affected human life and the environment. The development of models to predict the movement path of these phenomena plays a significant role in the prevention and management of dust storms because they reveal the path of their transmission and determine the next vulnerable areas against the storm. Owing to the ability of deep learning methods to solve time series problems and find hidden patterns from large data volumes, in this research, a hybrid convolutional neural network (CNN) model is developed to predict the transport pathway of dust storms using aerial optical depth (AOD) data of MERRA-2 for the next 12 hours. 40 storm events including 2489 storm hours in a dry region in Central and South Asia have been used to train the model. The results show that the proposed model provides an accurate prediction of the storm's path so that for the time steps of 3, 6, 9, and 12 hours, the overall accuracies ​​are 0.9806, 0.9810, 0.9813, and 0.9790, respectively, the F1 scores are 0.8490, 0.8524, 0.8530, and 0.8384, respectively, and the Kappa coefficients are 0.8387, 0.8424, 0.8431, and 0.8273, respectively.

کلیدواژه‌ها [English]

  • moving process
  • movement prediction
  • deep learning
  • dust storms
  • MERRA-2