کاربست روش شبکه های عصبی در پیش بینی دمای سطح زمین، با استفاده از تصاویر حرارتی مادیس

در این مطالعه، مدلی ترکیبی از شبکه های عصبی ماژولار و پردازش تصاویر مادیس برای محاسبه دمای سطح زمین، در منطقه ای شامل شهر تهران، ارائه شده است. در این مدل، داده های تصاویر حرارتی با تکیه بر ویژگی های دمای درخشندگی در باندهای حرارتی 31 و 32 میکرومترسنجنده مادیس، به منزله ورودی در شبکه های عصبی ماژولار به کار رفته و روش جدیدی براساس ترکیبی از شبکه عصبی نگاشت خودسازمانده و الگوریتم بهینه سازی تجمع ذرات پیشنهاد شد. نتایج به دست آمده نشان می دهد استفاده از این الگوریتم سبب توزیع مناسب داده های ورودی شبکه های عصبی می شود. در آخر، نتایج نهایی با مدل های شبکه های عصبی با آموزش و ساختار غیرماژولار نیز مقایسه شده است. نتایج این مقایسه نشان می دهد که زمان آموزش مدل در پیش بینی دمای سطح زمین کاهش، و دقت مدل افزایش یافته است. اختلاف کم بین مقادیر پیش بینی شده و مقادیر واقعی دما در منطقه نشان می دهد که دما با دقت مناسبی در این مدل پیش بینی شده است، به طوری که میانگین خطای مدل ترکیبی مقدار 0081/0 و درصد خطای مطلق نیز 59/10 است.