شهریار خالدی؛ قاسم کیخسروی؛ فرزانه احمدی براتی
چکیده
به منظور بررسی تغییرات پوشش زمین بر دمای رویه سطحی زمین، تصاویر مودیس مربوط به پوشش سطح زمین (MCD12Q1) در فاصله زمانی سال های 2001 تا 2019 میلادی دریافت شد. محصول پوشش سطح زمین بر اساس برنامه بین المللی ژئوسفر- زیست کره استخراج و با کمک الگوریتم درخت خوشه بندی تغییرات پوشش سطخ زمین مشخص شد. برای تهیه انواع مؤلفه های دمای سطحی، محصول ...
بیشتر
به منظور بررسی تغییرات پوشش زمین بر دمای رویه سطحی زمین، تصاویر مودیس مربوط به پوشش سطح زمین (MCD12Q1) در فاصله زمانی سال های 2001 تا 2019 میلادی دریافت شد. محصول پوشش سطح زمین بر اساس برنامه بین المللی ژئوسفر- زیست کره استخراج و با کمک الگوریتم درخت خوشه بندی تغییرات پوشش سطخ زمین مشخص شد. برای تهیه انواع مؤلفه های دمای سطحی، محصول دمای سطح زمین(MOD11) نیز در مقیاس روزانه در محیط سامانه گوگل ارث انجین تهیه شد. در مرحله آخر برای آشکارسازی تأثیر پوشش های زمین، بر مؤلفه های دمای سطحی از ابزار تحلیل خود همبستگی موران جهانی، شاخص انسلین موران محلی، همچنین ضریب همبستگی پیرسون ، رابطه رگرسیونی و مقدار معناداری بین متغیرها در محیط برنامه نویسی R اقدام شد. بر اساس نقشه های پوشش سطح زمین، پوشش بوته زارها، علفزارها، زمین های زراعی، پوشش گیاهان پراکنده و مناطق سکونتگاهی، پوشش های غالب منطقه را تشکیل می دهند. در طی 19 سال افزایش وسعت طبقه پوشش گیاهی پراکنده و بوته زارهای بی ثمر نشان‌دهنده تغییرات منفی در اکوسیستم منطقه است. به‌گونه‌ای که از مساحت طبقات دیگر همچون زمین های زراعی، و علف زارها کاسته و بر وسعت این طبقات افزوده شده است. دمای سطح زمین این منطقه، دارای ساختار فضایی بوده و به شکل خوشه‌ای در 3 خوشه توزیع شده است. خوشه های داغ، مناطق کم ارتفاع، خوشه های سرد، مناطق پر ارتفاع و ناخوشه ها کوهپایه ها را دربر گرفتند. در بررسی اثرات پوشش های سطح زمین بر دمای رویه سطحی زمین، در طی 19 سال، دمای شبانه روزی لایه سکونتگاه ها حدود1.12 درجه و لایه زمین های زراعی0.41 درجه سانتی گراد افزایش یافته است. در مقیاس دمای روزانه، لایه سکونتگاه ها ازافزایش دمای حدود 1 درجه برخوردار است. در مقیاس دمای سطحی شبانه، پوشش های زمین های زراعی، پوشش های گیاهی پراکنده و لایه سکونتگاه ها به ترتیب 6.2، 0.8 و 0.6 درجه سانتی گراد، افزایش دما را بخود ثبت کردند.
حسین باقری؛ محمدحسن زالی
چکیده
در دهه‌های اخیر، سطح غلظت ذرات معلق در کلان‌شهر تهران افزایش‌یافته است که این امر، مخاطرات فراوانی را برای محیط‌زیست و سلامت شهروندان به همراه داشته است. یکی از خطرناک‌ترین نوع آلودگی‌ها، آلودگی ذرات معلق کمتر از 2.5 میکرون (PM2.5) هست که مدل‌سازی، پایش و پیش‌بینی آن را بسیار حیاتی می‌نماید. برآورد غلظت این ذرات در سطح شهر تهران ...
بیشتر
در دهه‌های اخیر، سطح غلظت ذرات معلق در کلان‌شهر تهران افزایش‌یافته است که این امر، مخاطرات فراوانی را برای محیط‌زیست و سلامت شهروندان به همراه داشته است. یکی از خطرناک‌ترین نوع آلودگی‌ها، آلودگی ذرات معلق کمتر از 2.5 میکرون (PM2.5) هست که مدل‌سازی، پایش و پیش‌بینی آن را بسیار حیاتی می‌نماید. برآورد غلظت این ذرات در سطح شهر تهران به‌دلیل وجود منابع گوناگون آلودگی و کمبود ایستگاه‌های هواشناسی و عدم توزیع مناسب ا‌یستگاه‌ها موضوعی چالش‌برانگیز است. یکی از منابع جایگزین، استفاده از داده‌های به‌دست‌آمده از طریق تصاویر ماهواره‌ای شامل داده‌های ایروسل با توان تفکیک مکانی بالاست. بااین‌حال تخمین مقادیر آلودگی سطحی از روی داده‌های ایروسل ماهواره‌ای به‌سادگی امکان‌پذیر نیست و نیازمند توسعه مدل‌های مناسب نظیر مدل‌های داده مبنا و استفاده از تکنیک‌های یادگیری ماشینی میباشد. در این راستا هدف این مقاله ایجاد یک مدل به‌منظور تخمین میزان غلظت ذرات معلق در سطح شهر تهران با استفاده از داده‌های حاصل از مدل‌های هواشناسی و داده‌های ایروسل به‌دست‌آمده از تصاویر ماهواره‌ای مودیس به کمک الگوریتم‌های یادگیری عمیق مولد هست. برای این منظور سه نوع شبکه یادگیری عمیق بر مبنای مدل‌های مولد یعنی شبکه خود رمزنگار عمیق، شبکه باور عمیق بولتزمن و شبکه مولد تخاصمی شرطی برای تخمین غلظت PM2.5 با استفاده از داده‌های زمینی و ماهواره‌ای جمع‌آوری‌شده، توسعه داده شد. سپس ارزیابی دقت مدل‌های ایجادشده توسط شبکه‌های مذکور بر روی داده‌های تست انجام شد و عملکرد آن‌ها مورد بررسی و مقایسه قرار گرفت. ارزیابی دقت نشان داد که شبکه خود رمزنگار ترکیب‌شده با مدل بردار پشتیبان مبنا با همبستگی0.69 و دقت (RMSE) 10.34 میکروگرم بر مترمکعب بالاترین کارایی را در مقایسه با سایر مدل‌ها به‌دست می‌دهد که می‌تواند به‌منظور مدل‌سازی میزان غلظت ذرات در سطح شهر تهران مورد استفاده قرار گیرد.
مرضیه دیراوی پور؛ حسین محمد عسگری؛ سعید فرهادی؛ ایمان نجفی
چکیده
امروزه پدیده‌‌های گرد وغباری در ردیف مهم‌ترین مخاطرات محیطی قرارگرفته و سلامتی انسان و محیط زیست را با خطر جدی روبرو نموده اند. یکی از ویژگی های مهم نواحی بیابانی(خشک و نیمه خشک)، رخداد پدیده‌‌های گرد وغباری است. تشخیص توفان‌‌های ...
بیشتر
امروزه پدیده‌‌های گرد وغباری در ردیف مهم‌ترین مخاطرات محیطی قرارگرفته و سلامتی انسان و محیط زیست را با خطر جدی روبرو نموده اند. یکی از ویژگی های مهم نواحی بیابانی(خشک و نیمه خشک)، رخداد پدیده‌‌های گرد وغباری است. تشخیص توفان‌‌های گردوغبار، اولین و مهم ترین روش جهت پیش‌گیری و کاهش آثار مخرب آن میباشد. از این رو هدف تحقیق حاضر تشخیص و بارزسازی گردوغبار با استفاده از شاخص‌‌های NDDI و BTD و شبکه‌های عصبی در نرم افزار MATLAB میباشد. در این تحقیق نتایج مربوط به پدیده‌‌های گرد وغبار تاریخ 30 خردادماه 1391 شمسی (19/06/ 2012) مورد استفاده قرار گرفته است. نتایج نشان داد، شاخص NDDI به تنهایی قادر به تفکیک پیکسل های گرد وغبار موجود در اتمسفر از پیکسل‌‌های غیرگرد وغبار و ماسه زمینی نبوده و عملکرد ضعیفی دارد. شاخص BTD، گرد وغبار 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 زمین‌های شنی و ماسه‌‌ای به خوبی انجام نشد. شبکه عصبی مصنوعی پیشرو برای تصاویر روزانه با 60% و برای تصاویر شبانه با 59%، دقت و عملکرد نسبتاً خوبی را نشان داد. بنابراین، شبکه عصبی نسبت به شاخص‌‌های NDDI و BTD، روش مناسب تری برای تشخیص و بارزسازی گرد وغبار بود و نیازی به تعیین آستانه برای بررسی هر تصویر نداشت. هرچه نمونه‌‌های آموزشی شبکه عصبی، با دقت و تعداد بیشتر و ابعاد بزرگتر انتخاب شود، عملکرد و دقت شبکه افزایش خواهد یافت، نتایج این تحقیق می‌تواند در راستای تشخیص خودکار گرد وغبار در طول روز و شب و در اکوسیستم‌‌های آبی و خشکی مورد استفاده قرار گیرد.
