آشکارسازی پدیده گردوغبار جنوب غرب ایران با استفاده از شاخص های NDDI و BTD و شبکه عصبی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد محیط زیست دریا، دانشگاه علوم و فنون دریایی خرمشهر

2 عضو هیأت علمی محیط زیست، دانشگاه علوم و فنون دریایی خرمشهر

3 دانش‌آموخته کارشناسی ارشد محیط زیست، دانشگاه علوم و فنون دریایی خرمشهر

4 دانش آموخته کارشناسی ارشد مهندسی سنجش از دور، دانشگاه اصفهان

10.22131/sepehr.2019.37521

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 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.

کلیدواژه‌ها


عنوان مقاله [English]

Dust storm detection in the Southwest of Iran using NDDI and BTD indexes and neural network

نویسندگان [English]

  • Marziyeh Deiravi pour 1
  • Hossein mohammadasgari 2
  • saeid Farhadi 3
  • Iman Najafi 4
1 Master of Marine environmental, Khorramshahr University of Marine Science and Technology
2 Faculty Member of environmental Science, Khorramshahr University of Marine Science and Technology
3 Graduated of Marine Environment, Khorramshahr University of Marine Science and Technology
4 Graduated from remote sensing engineering, Isfahan University
چکیده [English]

Extended Abstract
Introduction
One of the important features of desert areas (arid and semi-arid) is dust phenomena that occurs in most days of the year. Dust phenomena occur especially in tropical areas. In some parts of the world, including Africa, Australia and the Middle East, the annual sediment volume carried by the flow of the wind is greater than the sediment volume carried by the rivers. Today, the dust phenomena are among the most important environmental hazards which have put human and environmental health at serious risk. Based on the country’s comprehensive water plan, the size of the real deserts of Iran has increased to 4.7 million hectares or 35.5 percent of the country’s land area.
 
Materials & Methods
The study area was the southwest of Iran including Khuzestan and the Persian Gulf regions. In recent years, these regions have strongly been affected by the dust with internal source and especially with external sources such as dust sources in Iraq, Syria, and Saudi Arabia. In this research, we employed the library method and also determined the days of the dust storm using the weather data of the province. We used satellite data, MODIS sensor data and several algorithms based on the image processing to detect dust.
In order to evaluate the different methods of dust detection, it is necessary to compare the results of the algorithms with another independent source. This source can be a natural color images, aerosol sensor products, MODIS dust indicators or other sensors products. In this research, we first introduced the HDF file of MOD021k MODIS images into the ENVI5.2 software to visualize the dust. After preprocessing the satellite images, we employed different methods such as creating False Color images, BTD and NDDI algorithms, and the neural network method to detect dust on satellite imagery. In this regard, we stored the required bands for the NDDI and BTD algorithms as a single band in the ENVI software, and entered it into MATLAB software to apply the detection algorithms.
Due to the importance of remote sensing and satellite images and also the efficiency of the artificial neural networks method we decided to classify the images of the MODIS sensor by using the methods of the Artificial Neural Network and dust detection indexes. In general, the bands 20, 23, 31 and 32 of MODIS sensor and the infrared thermal bands were used more to detect dust storms. The Brightness Temperature Difference between these bands can detect dust storms from other phenomena. In this study, a Feed Forward Neural Network (FFNN) was used to detect dust storm in Khuzestan and the north of the Persian Gulf, using 20 data sets for the day and 11 data sets for the night. To categorize different pixels in the neural network based on BTD values, BTD of the bands 20-31, BTD of the bands 23-31, BTD of the bands 31-32 and bands 1, 3 and 4 were used.
MODIS bands 1, 3 and 4 were used to create realistic color images to for the better detection of the Earth’s surface phenomena. These three bands were used only for MODIS’s daily images.
 
Discussion
The results show that the emissivity of sand in band 31 (0.96) is slightly lower than the band 32 (0.98), while the soil emissivity for these two bands was (0.97) and water emissivity (0.99). Also, the emissivity value of band 31 for the cloud was (0.98) and for band 32 was (0.95). There was a difference between the emissivity value of bands 23 and 31 for soil, sand, and water, which can be used to distinguish dust from other surfaces. The brightness temperature of dust storm (K298/4) and cloud (K276) in the band 23 (4.6 µm) was higher than the brightness temperature  of dust storm (K287) and cloud (K271) in the band 31 (11.02 micrometers), while the brightness temperature of water (K285), ground (K310) and vegetation (K295) in the band 23 was lower than that in band 31 for the same items (Water (286K), ground (310K) and vegetation (296K). For these reasons, the difference in brightness temperature between bands 23 and 31 is useful for detecting dust from the ground, vegetation, cloud and water.
In the artificial neural network, the correlation coefficient of the training, evaluation, test and total data was equal to  R = 0.996, R = 0.99505, R = 0.99559 and R = 0.9958, respectively. These results show the good capability of the neural network in detecting dust. The data was divided into two classes of dust (0.9) and no dust (0.1). In fact, various inputs entered the network and were divided into two classes of dust and no dust. The results showed that the error started from a large amount and gradually decreased. Epoch is referred to as every step of the data correction. In other words, when an input passes through the network and generates an overall error, the weight factors are corrected with the help of that error, a process which is called the number of repetitions or the Epoch. Thus, as itis shown in the figure, the training ends after 151 repetitions.
Given the results of the neural network output images, it is observed that dust is well distinguished in both the aquatic and terrestrial ecosystems and a better differentiation will be done with higher dust concentration. The ACC parameter indicates that the neural network method has had a good accuracy and performance. Results show that neural network is a more appropriate method than the BTD index in dust detection, and the neural network does not need to determine the threshold for examining each image.
 
Conclusions
The results of the NDDI index show that this parameter alone, is not able to distinguish dust pixels existing in the atmosphere from the pixels of sand and other than dust, and has poor accuracy in images with cloud or water. It seems that this low efficiency is related to the features of the earth’s surface such as land use, land cover, topographical differences, as well as chemical properties of dust minerals in the region. According to the results of this study, the results of applying the BTD index have suitable performance for the detection of dust. In the present research, the artificial neural network shows a fairly good accuracy and performance for the daytime images with an accuracy of 60%.

کلیدواژه‌ها [English]

  • NDDI
  • BTD
  • Neural network
  • Dust
  • MODIS
1- برتینا، هدایت الله (1391)، امکان‌سنجی استفاده از تصاویر ماهواره‌ای جهت تخمین غلظت گردوغبار و اندازه‌گیری غلظت سرب و روی، صیاد، غلام‌عباس؛ متین‌فر، علیرضا، دانشگاه شهید چمران اهواز، گروه خاک‌شناسی.

2- تقوی، اولاد، صفرراد، ایران‌نژاد؛ فرهناز، الهه، طاهر، پرویز، (1392) تشخیص و پایش توفان گردوغبار غرب ایران با استفاده از روش‌های سنجش از دور، مجله‌ی فیزیک زمین و فضا،  76 (3): 96-83.

3- خالدی،کوهسار (1392) زیان‌های اقتصادی توفان گردوغبار بر استان‌های غربی ایران ) مطالعه‌ی موردی: ایلام، خوزستان و کرمانشاه)، فصلنامه مدلسازی اقتصادی، 7(3): 125-105.

4- خوش‌سیما، ثابت‌قدم، علی‌اکبری بیدختی؛ مسعود، سمانه، علی‌اکبر(1394) تخمین تمرکز ذرات معلق (PM10) در جو با استفاده از داده‌های سنجش از دور ماهواره‌ای و زمین‌پایه و پراسنج‌های هواشناختی: کاربست شبکه عصبی مصنوعی، مجله فیزیک زمین و فضا، 41 (3): 499-510.

5- خیراندیش، بداق جمالی، رایگانی؛ زهرا، جواد، بهزاد (1397) شناسایی بهترین الگوریتم شناسایی گردوغبار به کمک داده‌های مودیس، مجله مخاطرات محیط طبیعی، 7 (15) 218-205.

6- زینالی، بتول(1392) شناسایی و پایش توفان‌های شاخص گردوغباری ایران با استفاده از سنجنده‌های MODIS و AVHRR، جهان‌بخش ‌اصل، سعید، دانشگاه تبریز، گروه جغرافیای طبیعی.

7- سلیمانی، محمدعسگری، دادالهی سهراب، علمی‌زاده، خزائی؛ آرزو، حسین، علی، هیوا، حسین (1394) ارزیابی عمق اپتیکی حاصل از تصاویر ماهواره‌ای MODIS در خلیج‌فارس، مجله علوم و فنون دریایی خرمشهر،  14(4): 83-75.

8- سهراب‌زهی، حلیمه (1394) بررسی تطبیقی رویدادهای گرد و غباری در شرق و غرب ایران، نوری، غلامرضا، دانشگاه سیستان و بلوچستان، گروه جغرافیای طبیعی.

9- شمسی‌پور، صفرراد؛ علی‌اکبر، طاهر (1390) تحلیل ماهواره‌ای- همدیدی پدیده گردوغبار (گردوغبار تیرماه 1388)، پژوهش‌های جغرافیای طبیعی، 44 (1): 126-111.

10- شهریسوند، آخوندزاده هنزائی، سوری؛ محسن، مهدی، امیرحسین (1393). شناسایی گردوغبار در تصاویر ماهواره‌ای MODIS با استفاده از روش‌های ماشین‌بردار پشتیبان، شبکه عصبی مصنوعی و درخت تصمیم‌گیری. نشریه علمی-پژوهشی علوم و فنون نقشه‌برداری، 4 (3): 144-131.

11- عطایی، محمدزاده، آبکار؛ شیما، علی، علی‌اکبر (1393) شناسایی گردوغبار با استفاده از روش درخت تصمیم‌گیری از تصاویر سنجنده مودیس، نشریه علمی- پژوهشی علوم و فنون نقشه برداری، 4 (4): 160-151.

12- طاوسی، خسروی، رئیس‌پور؛ تقی، محمود، کوهزاد (1389) تحلیل همدیدی سامانه‌های گردوغباری در استان خوزستان، مجله جغرافیا و توسعه، 8 (20): 118-97.

13- فرهادی، محمدعسگری، دادالهی سهراب، ناظم السادات، خزائی؛ سعید، حسین، علی، سیدمحمدجعفر، حسین (1395) تخمین عمق نوری ریزگردها با استفاده از تصاویر سنجنده مودیس در سطح خلیج فارس، مجله محیط شناسی، 42 (3): 604-583.

14- فلاح ززولی، وفایی نژاد، خیرخواه زرکش، احمدی دهکاء؛ محمد، علیرضا، میرمسعود، فریبرز (1393) پایش و تحلیل سینوپتیکی پدیده گردوغبار با استفاده از سنجش از دور و GIS (مطالعه موردی: گردوغبار 18 ژوئن 2012). فصلنامه علمی - پژوهشی اطلاعات جغرافیایی، 23 (91)80-69.

15- کریمی، طاهری شهرآئینی، حبیبی نوخندان، حافظی مقدس؛ خدیجه، حمید، مجید، ناصر (1390) شناسایی خواستگاه‌های توفان‌های گردوغبار در خاورمیانه با استفاده از سنجش از دور، نشریه پژوهش‌های اقلیم‌شناسی، 2 (7 و 8): 72 -57.

16- کمیلیان، حسین (1392) مدل‌سازی توده‌های گردوغبار با استفاده از داده‌های سنجش از دور، گنجی دوست، حسین، دانشگاه تربیت مدرس، گروه مهندسی محیط زیست.

17- محمدی مرادیان، حسین‌زاده؛ جمیله، سیدرضا (1394). پایش ماهواره‌ای و تحلیل همدید پدیده‌ی گردوغبار در کلان‌شهر مشهد طی دوره آماری  2013-2009. مجله جغرافیا و مخاطرات محیطی، 14: 57-35.

18- مهرابی، جعفری، سلطانی کویانی؛ شهباز، رضا، سعید (1394) بررسی کارایی شاخص NDDI در پهنه‌بندی توفان گردوغبار (مطالعه موردی: استان خوزستان)، مجله علمی- پژوهشی مهندسی اکوسیستم بیابان، 4 (8): 10-1.

19- یوسفی، کاشی ‌زنوزی؛ محسن، لیلا (1394) تعیین مناسب ترین روش ترکیب ورودی شبکه عصبی‌مصنوعی به منظور تعیین عوامل باد بر پیش بینی پدیده توفان گردوغبار(مطالعه موردی: استان یزد)، فصلنامه علمی- پژوهشی تحقیقات مرتع و بیابان ایران، 22 (2): 250-240.

20- El-Ossta, E. E. (2013). Automated dust storm detection using satellite images. Development of a computer system for the detection of dust storms from MODIS satellite images and the creation of a new dust storm database (Doctoral dissertation, University of Bradford).

21- Komeilian, H., Ganjidoust, H., & Khodadadi, A. (2014). Parametric analysis for dust plumes modeling using MODIS data over Khuzestan Province, Iran. environment, 2(3), 6.

22- Li, X., & Song, W. (2009, September). Dust storm detection based on Modis Data. In International Conference on Geo-spatial Solutions for Emergency Management and the 50th Anniversary of the Chinese Academy of Surveying and Mapping (pp. 169-172).

23- Nabavi, S. O., Haimberger, L., & Samimi, C. (2016). Climatology of dust distribution over West Asia from homogenized remote sensing data. Aeolian Research, 21, 93-107.

24- Qu, J. J., Hao, X., Kafatos, M., Wang, L. (2006). Asian dust storm monitoring combining Terra and Aqua MODIS SRB measurements. IEEE Geoscience and remote sensing letters, 3(4): 484-486.

25- Samadi, M., Boloorani, A. D., Alavipanah, S. K., Mohamadi, H., & Najafi, M. S. (2014). Global dust Detection Index (GDDI); a new remotely sensed methodology for dust storms detection. Journal of Environmental Health Science and Engineering, 12(1), 20.

26- Taghavi, F., Owlad, E., & Ackerman, S. A. (2017). Enhancement and identification of dust events in the south-west region of Iran using satellite observations. Journal of Earth System Science, 126(2), 28.

27- Taheri Shahraiyni, H. T., Karimi, K., Nokhandan, M. H., & Moghadas, N. H. (2015). Monitoring of dust storm and estimation of aerosol concentration in the Middle East using remotely sensed images. Arabian Journal of Geosciences, 8(4), 2095-2110.

28- Xiao, F., Wong, M. S., Lee, K. H., Campbell, J. R., & Shea, Y. K. (2015). Retrieval of dust storm aerosols using an integrated Neural Network model. Computers & Geosciences, 85, 104-114.

29- Yang, Y., Sun, L., Zhu, J., Wei, J., Su, Q., Sun, W., ... & Shu, M. (2017). A simplified Suomi NPP VIIRS dust detection algorithm. Journal of Atmospheric and Solar-Terrestrial Physics, 164, 314-323.

30- Zhang, B., Tsunekawa, A., & Tsubo, M. (2015). Identification of dust hot spots from multi-resolution remotely sensed data in eastern China and Mongolia. Water, Air, & Soil Pollution, 226(4), 117.

31- Zhao, T. X. P., Ackerman, S., & Guo, W. (2010). Dust and smoke detection for multi-channel imagers. Remote Sensing, 2(10), 2347-2368.