آشکارسازی پدیده گرد و غبار جنوب غرب ایران با استفاده از شاخص های NDDI و BTD و شبکه عصبی
امروزهپدیده هایگرد و غباریدرردیفمهم ترینمخاطراتمحیطی قرارگرفتهوسلامتیانسانومحیط زیستراباخطرجدیروبرونموده اند. یکیازویژگی هایمهمنواحیبیابانی(خشکونیمه خشک)،رخدادپدیده هایگرد و غباریاست. تشخیص توفان های گرد و غبار، اولین و مهم ترین روش جهت پیش گیری و کاهش آثار مخرب آن می باشد. از این رو هدف تحقیق حاضر تشخیص و بارزسازی گرد و غبار با استفاده از شاخص های NDDI و BTD و شبکه های عصبی در نرم افزار MATLAB می باشد. در این تحقیق نتایج مربوط به پدیده های گرد و غبار تاریخ 30 خردادماه 1391 شمسی (19/06/ 2012) مورد استفاده قرار گرفته است. نتایج نشان داد، شاخص NDDI بهتنهاییقادربهتفکیک پیکسل هایگرد و غبارموجوددراتمسفرازپیکسل هایغیرگرد و غباروماسهزمینینبودهو عملکر ضعیفی دارد. شاخص BTD، گرد و غبار اکوسیستم خشکی را به خوبی بارزسازی کرد ولی BTD(20-31) و BTD(23-31) بارزسازی بهتری در اکوسیستم آبی داشت. بنابراین، باید با دقت زیاد آستانه را تعیین کرد. همچنین، بارزسازی در زمین های شنی و ماسه ای به خوبی انجام نشد. شبکه عصبی مصنوعی پیشرو برای تصاویر روزانه با 60% و برای تصاویر شبانه با 59%، دقت و عملکرد نسبتا خوبی رانشان داد. بنابراین، شبکه عصبی نسبت به شاخص های NDDI و BTD، روش مناسب تری برای تشخیص و بارزسازی گرد و غبار بود و نیازی به تعیین آستانه برای بررسی هر تصویر نداشت. هرچه نمونه های آموزشی شبکه عصبی، با دقت و تعداد بیشتر و ابعاد بزرگتر انتخاب شود، عملکرد و دقت شبکه افزایش خواهد یافت، نتایج این تحقیق می تواند در راستای تشخیص خودکار گرد و غبار در طول روز و شب و در اکوسیستم های آبی و خشکی مورد استفاده قرار گیرد.
NDDI ، BTD ، شبکه عصبی ، گرد و غبار ، مودیس
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.