یک مدل شبکه عصبی پیچشی برای پیش‌بینی مسیر حرکت طوفان‌های گردوغبار

طوفان‌های گردوغبار بلایایی طبیعی‌اند که در زندگی انسان و محیط‌زیست تاثیر چشمگیری گذاشته‌اند. توسعه مدل‌هایی، به‌منظور پیش‌بینی مسیر حرکت این طوفان‌ها، در پیشگیری و مدیریت طوفان‌های گردوغبار نقش بسزایی ایفا می‌کند زیرا مسیر انتقال آنها را آشکار و مناطق آسیب‌پذیر بعدی در برابر طوفان را مشخص می‌کنند. به‌لطف امکانات روش‌های یادگیری عمیق در حل مسائل مبتنی‌بر سری زمانی و یافتن الگوهای پنهان از حجم داده کلان، در این پژوهش، یک مدل ترکیبی شبکه عصبی پیچشی (cnn) به‌منظور پیش‌بینی مسیر حرکت طوفان گردوغبار، براساس داده عمق نوری هواویز (aod) محصول merra-2 برای دوازده ساعت آینده، توسعه داده ‌شده است. همچنین چهل رویداد طوفان، شامل 2489 ساعت طوفان در منطقه‌ای خشک در مرکز و جنوب آسیا، به‌منظور آموزش مدل به‌کار رفته است. نتایج نشان می‌دهد که مدل پیشنهادی پیش‌بینی دقیقی از مسیر حرکت طوفان به‌دست می‌دهد؛ به‌گونه‌ای‌که درمورد گام‌های زمانی 3، 6، 9 و 12 ساعت آینده، مقادیر دقت کلی به‌ترتیب برابر با 0.9806، 0.9810، 0.9813 و 0.9790، مقادیر امتیاز f1 به‌ترتیب برابر با 0.8490، 0.8524، 0.8530 و 0.8384 و مقادیر ضریب کاپا به‌ترتیب برابر با 0.8387، 0.8424، 0.8431 و 0.8273 است.

a convolutional neural network model for predicting the transport pathway of dust storms

dust storms are natural disasters that have severely affected human life and the environment. the majority of research in dust storm has been dedicated to the forecasting of storm-prone areas. however, developing models to predict the movement of these storms plays a significant role in the prevention and management of dust storms, because they reveal the transport pathway and identify the next vulnerable areas against the storm. in this research, a hybrid convolutional neural network (cnn) model has been developed to predict the path of dust storms based on airborne optical depth (aod) data of merra-2 product for the next 12 hours. 40 storm events including 2489 storm hours in a dry region in central and south asia have been used for training 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 accuracy values are 0.9806, 0.9810, 0.9813, and 0.9790, respectively, the f1 score values are 0.8490, 0.8524, 0.8530, and 0.8384, respectively, and the kappa coefficient values are 0.8387, 0.8424, 0.8431, and 0.8273, respectively.