استخراج گردوغبار از تصاویر ماهواره‌ای MODIS با استفاده از شبکة عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری گروه مهندسی کامپیوتر، دانشکدة مهندسی، دانشگاه اراک

2 استادیار گروه مهندسی کامپیوتر، دانشکدة مهندسی، دانشگاه اراک

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 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.

کلیدواژه‌ها


عنوان مقاله [English]

Dust Detection Using MODIS Satellite Images Using An Artificial Neural Network

نویسندگان [English]

  • Mehdi Amiri 1
  • Saif ollah Soleimani 2
  • Fakhteh Soltani Tafreshi 2
1 PHD Student Department of Computer Engineering, Faculty of Engineering, Arak University, Arak, Iran
2 Assistant Professor, Department of Computer Engineering, Faculty of Engineering, Arak University, Arak, Iran
چکیده [English]

Dust storm increased in both spatial and temporal aspects during last decade. Middle East dust storms have caused countless social, economic and environmental damages for the residents of South and Southwest regions of Iran. MODIS satellite imagery has certain advantages, including available and useful spectral bands, with high spatial and radiation resolution and MODIS data are used in the present study. In this study, two MODIS datasets were used. Part one, model development data (January 18-21, 2018) and part two, model evaluation data. Metrological data are collected with respect to time interval studied. After preprocessing MODIS data and preparing field observations, features (artificial neural network input) were generated by proposed method from MODIS data. A model through artificial neural network analysis  was developed. This model extracts dust storm and estmates visibility. Model outputs were compared visually with NDDI outputs.To evaluate the effectiveness of the proposed method, the developed model was tested with other time data. Model outputs were compared visually with NDDI outputs. Eventually, in order to reveal the strengths and weaknesses of the proposed method, an accuracy assessment has been carried out by comparing the models output with visibility parameter of synoptic stations. The observation root mean squared error are10%, 10%, 15% and 10% related to January 18th, January 19th, January 20th and 21th, and also, 20% and 25% related to January 26th, 2019 and October 28th, 2018, respectively.

کلیدواژه‌ها [English]

  • Dust enhancement
  • remote sensing
  • Feature generation
  • Artificial Neural Network (ANN)
  • MODIS
فخرایی‌پور، م.، 1390، بررسی ارتباط بین پدیدة گردوغبار و پارامترهای هواشناسی در جنوب‌غرب ایران و تحلیل سینوپتیکی و دینامیکی آن، پایان‌نامة کارشناسی ارشد رشتة هواشناسی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات.
 
Ackerman, S., 1989, Using the Radiative Temperature Difference at 3.7 μm and 11 μm to Trace Dust Outbreaks, Remote Sensing Environment, 27, PP. 129-133.
Ackerman, S., 1997, Remote Sensing Aerosols Using Satellite Infrared Observations, J. Geophys. Res., 102, PP. 17069-17080.
Badarinath, K., Kharol, S., Kaskaoutis, D. & Kambezidis, H., 2007, Case Study of Adust Storm over Hyderabad Area, India: Its Impact on Solar Radiationusing Satellite Data and Ground Measurements, Sci. Total Environ. 2007, 384, PP. 316-332.
Baddock, M., Bullard, J. & Bryant, G., 2009, Dust Source Identification Using: A Comparison of Techniques Applied to the Lake Eyre Basin, Australia, Remote Sensing Environment, 113, PP. 1511-1528.
Butt, M.J. & Mashat, A.W.S., MODIS satellite data evaluation for sand and dust storm monitoring in Saudi Arabia, 2018, International Journal of Remote Sensing, DOI: 10.1080/01431161. 2018.1488293
Christopher, S. & Jones, T., 2010, Satellite and Surface-based Remote Sensing of Saharan Dust Aerosols, Remote Sensing Environment, 114, PP. 1002-1007.
El-ossta, E., Qahwaji, R. & Ipson, S.S., 2013, Detection of Dust Storms Using MODIS Reflective and Emissive Bands, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol. 6, No.6.
Han, Y., Dai, X., Fang, X., Chen, Y. & Kang, F., 2008, Dust Aerosols: A Possible Accelerantfor an Increasingly Arid Climate in North China, J. Arid Environ. 2008, 72, PP. 1476-1489.
Hao, X. & Qu, J., 2007, Saharan Dust Storm Detection Using Moderate Resolution Imaging Spectroradiometer Thermal Infrared Bands, J. Appl. Remote Sens., 1, P. 013510.
Huang, J., Ge, J. & Weng, F., 2007, Detection of Asia Dust Storms Using Multisensory Satellite Measurements, Remote Sensing Environment, 110, PP. 186-191.
Husar, R., 2001, Asian Dust Events of April 1998, J. Geophys. Res., 106, PP. 18317-18330.
IPCC, 2014, Intergovernmental Panel on Climate Change, Climate Change 2013: The Physical Science Basis, Cambridge University Press, Cambridge, United Kingdom, <https://www.ipcc.ch/report/ar5/wg1/>.
Khoshakhlagh, F., Najafi, M,S. & Samadi, M. 2012, An Analysis on Synoptic Patterns of Springtime Dust Occurrence in West of Iran, Physical Geography Research Quarterly, 2(80), PP. 99-124.
Maher, B.A., Prospero, J.M., Mackie, D., Gaiero, D., Hesse, P. & Balkanski, Y., 2010, Global Connections between Aeolian Dust, Climate and Ocean Biogeochemistry at the Present Day and at the Last Glacial Maximum, Earth. Sci. Rev., 99(1-2), PP. 61-97, <http://dx.doi.org/10.1016/ j.earscirev. 2009.12.001>.
 
Mather, P. & Tso, B., 2010, Classification Methods for Remotely Sensed Data, CRC press.
Miller, S., 2003, A Consolidated Technique for Enhancing Desert Dust Storms with MODIS, Geophys. Res. Lett., 30(20).
Qu, J., Hao, X., Kafatos, M. & Wang, L., 2006, Asian Dust Storm Monitoring Combining Terra and Aqua MODIS SRB Measurements, IEEE Geoscience and Remote Sensing Letter, 3(4), PP. 484-486.
Reza, S. & Ma, J., 2016, ICA and PCA Integrated Feature Extraction for Classification, in IEEE 13th Int. Conf. on Signal Processing (ICSP ’16), PP. 1083-1088.
Richards, J.A., 1996, Classifier Performance and Map Accuracy, Remote Sensing of Environment, 57, PP. 161-166.
Roskovensky J. & Liou, K., 2005, Differentiating Airborne Dust from Cirrus Clouds Using MODIS Data, Geophys. Res. Lett., 32, P. L12809.
Salomonson, V., Barnes, W., Maymon, P., Montgomery, H. & Ostrow, H., 1989, MODIS: Advanced Facility Instrument for Studies of the Earth as a System, IEEE Trans. Geosci. Remote Sens., 27, PP. 145-153.
Samadi, M. & Darvishi Boloorani, A., 2014, Global Dust Detection Index (GDDI); A New Remotely Sensed Methodology for Dust Storms Detection, Journal of Environmental Health Science & Engineering.
Sehatkashani, S.,  Vazifedoust, M.,  Kamali, Gh. &  Bidokhti, A.A.,        2016, Dust Detection and AOT Estimation Using Combined VIR and TIR Satellite Images in Urban Areas of Iran, Scientia Iranica A, 23(5), PP. 1984-1993.
Shao, Y. & Dong, CH., 2006, A Review on East Asian Dust Storm Climate, Modelling and Monitoring, Global Planet Change, 52, PP. 1-22.
Syrris, V., Ferri, S., Ehrlich, D. & Pesaresi, M., 2015, Image Enhancement and Feature Extraction Based on Low-resolution Satellite Data, IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 8(5), PP. 1986-1995.
Taylor, M., Kazadzis, S., Tsekeri, A., Gkikas, A. & Amiridis, V., 2014, Satellite Retrieval of Aerosol Microphysical and Optical Parameters Using Neural Networks: A New Methodology Applied to the Sahara Desert Dust Peak, Atmos. Meas. Tech., 7, PP. 3151-3175.
Tegen, I. & Lacis, A.A., 1996, Modeling of Particle Size Distribution and its Inuence on the Radiative Properties of Mineral Dust Aerosol, J. Geophys. Res., 101, PP. 19237-19244.
Xie, Y., 2009, Detection of Smoke and Dust Aerosols Using Multi-sensor Satellite Remote Sensing Measurements, PhD dissertation: Georgia Mason University.
Xie, Y., Zhang, W. & Qu, J.J., 2017, Detection of Asian Dust Storm Using MODIS Measurements, Remote Sensing 2017, 9(8), P. 869.
Yang, L. & Ronggao, L., 2011, A Thermal Index from MODIS Data for Dust Detection, IEEE International Geoscience and Remote Sensing Symposium, 978(1), PP. 4577-1005.