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.