استخراج گردوغبار از تصاویر ماهواره‌ای modis با استفاده از شبکه عصبی مصنوعی

طی دهه‌های گذشته، طوفان‌های گردوغبار از لحاظ مکانی و زمانی همواره در حال افزیش بوده‌اند. طوفان‌های گردوغبار خاورمیانه سبب رسیدن آسیب‌های بی‌شماری در حوزه 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 سنجنده modis استفاده شد. از محاسن داده‌های سنجنده modis، توان تفکیک طیفی و زمانی بالای آن است. در این پژوهش، از دو مجموعه داده modis استفاده شد؛ بخش اول، داده‌های توسعه مدل (رخداد 21-18 ژانویه 2018) و بخش دوم، داده‌های تست و ارزیابی مدل. داده‌های هواشناسی نیز، با توجه به بازه زمانی مورد مطالعه، جمع‌آوری شد. پس از پیش‌پردازش داده‌ها و آماده‌کردن مشاهدات میدانی، ویژگی (ورودی شبکه عصبی مصنوعی) از داده‌های سنجنده modis، به‌روش پیشنهادی، تولید می‌شود. ازطریق شبکه 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 مقایسه بصری شد. سپس، برای بررسی کارآیی روش پیشنهادی، مدل توسعه‌یافته با داده‌های مربوط به زمان دیگر تست و خروجی مدل با خروجی شاخص nddi مقایسه بصری شد. در نهایت، به‌منظور نشان‌دادن نقاط قوت و ضعف روش پیشنهادی، ارزیابی دقت ازطریق مقایسه 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 ژانویه 2018 و 20% و 25% درمورد پردازش تصاویر 26اُم ژانویه 2019 و 28اُم اکتبر 2018 به‌دست آمد. با اتصال به پایگاه داده سازمان هواشناسی کشوری، روش پیشنهادی دارای قابلیت به‌کارگیری در سیستم خودکار استخراج گردوغبار است.

Dust Detection Using MODIS Satellite Images Using An Artificial Neural Network

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 1821, 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.