مدلسازی پتانسیل ایجاد کانون های گردوغبار با استفاده از سری زمانی داده های سنجش از دور، منطق فازی و شبکه عصبی مصنوعی (مطالعه موردی: حوضه فرات)

طوفان های گردوغبار به عنوان یکی از معضلات زیست محیطی شایع در مناطق خشک و نیمه خشک جهان به شمار می روند که برای سلامت انسان و نیز به لحاظ اقتصادی زیان بار هستند. این طوفان ها از حدود دو دهه گذشته تا کنون در مقیاس های محلی، منطقه ای و حتی جهانی در حال افزایش هستند. حوضه رودخانه فرات به عنوان یکی از فعال ترین کانون های گردوغبار در سطح جهانی شناخته شده است. شناسایی کانون های طوفان گردوغبار اولین گام در برنامه ریزی هدفمند جهت مبارزه با این پدیده زیست محیطی به حساب می آید. هدف از پژوهش حاضر، تهیه نقشه پتانسیل کانون های گردوغبار در حوضه رودخانه فرات با استفاده از شبکه عصبی مصنوعی پرسپترون چند لایه است. در گام نخست سری زمانی بلند مدت داده های مربوط به پارامترهای محیطی کلیدی و موثر بر رخداد طوفان های گردوغبار شامل رطوبت، دما و بافت خاک، دمای سطح زمین، سرعت باد، بارش، تبخیرتعرق، ماه های دارای گردوغبار، کاربری اراضی، فشار ناشی از جمعیت، ارتفاع و شیب شناسایی و به عنوان ورودی‌های شبکه عصبی به کار گرفته شدند. از طریق بررسی 2500 تصویر رنگی طبیعی سنجنده مادیس، تعداد 190 کانون رخداد طوفان گردوغبار به صورت بصری شناسایی و به عنوان نقاط آموزشی به شبکه عصبی معرفی شدند. 70 درصد نقاط (133 نقطه) برای آموزش و 30 درصد نقاط (57 نقطه) برای تست و اعتبارسنجی مدل مورد استفاده قرار گرفتند. پس از اجرای مدل، مقدار خطای میانگین مربعات معادل 0.1 به دست آمد که حاکی از صحت قابل قبول شبکه عصبی در شناسایی کانون های بالقوه گردوغبار است. نتایج نشان می دهد که 147 هزار کیلومتر مربع از مساحت کل حوضه، مستعد شکل گیری کانون طوفان های گردوغبار است که عمدتا نواحی کم بارش، خشک و بایر حوضه را شامل می شوند.

Modeling the potential of Sand and Dust Storm sources formation using time series of remote sensing data, fuzzy logic and artificial neural network (A Case study of Euphrates basin)

Due to the differences between the visible and thermal infrared images, the combination of these two types of images leads to better understanding of the characteristics of targets and the environment. Thermal infrared images are really in distinguishing targets from the background based on the radiation differences and land surface temperature (LST) calculation. However, their spatial resolution is relatively low, making it challenging to detect targets. Image fusion is an efficient method to be employed to enhance spatial resolution of the thermal bands through fusing these images with high spatial resolution visible images. Multiscale transforms (MST) and sparse representation (SR) are widely used in image fusion. To improve the performance of image fusion, these two types of methods can be combined. In this paper, nine image fusion methods based on the multiscale transform and sparse representation, namely Laplacian pyramid (LP), ratio of lowpass pyramid (RP), wavelet transform (Wavelet), dualtree complex wavelet transform (DTCWT), curvelet transform (CVT), nonsubsampled contourlet transform (NSCT), sparse representation (SR), hybrid sparse representation and Laplacian pyramid methods (LPSR) and hybrid sparse representation and NSCT methods (NSCTSR) are tested on FLIR and landsat8 thermal infrared and visible images. To evaluate the performance of different image fusion methods we used following three the quantitative evaluation metrics: entropy (EN), mutual information (MI), and gradient based fusion metric )QAB/F(. Despite the lack of spectral coverage between the visible and thermal infrared bands of Landsat 8, quantitative evaluation metrics showed that the hybrid LPSR method provides the best result (EN=7.362, MI=2.605, QAB/F =0.531) and fused images have a better visual quality. This method improves spatial details along with preserving the thermal radiation information. This method is followed by RP, LP, and NSCT methods. Similar results were achieved in FLIR images.