شناسایی گردوغبار در تصاویر ماهواره ای modis با استفاده از روشهای ماشین بردار پشتیبان، شبکه عصبی مصنوعی و درخت تصمیمگیری

Authors

محسن شهریسوند

m. shahrisvand گروه مهندسی نقشهبرداری- پردیس دانشکدههای فنی- دانشگاه تهران مهدی آخوندزاده هنزائی

m. akhoondzadeh hanzaei گروه مهندسی نقشهبرداری- پردیس دانشکدههای فنی- دانشگاه تهران امیرحسین سوری

a. souri گروه مهندسی نقشهبرداری- پردیس دانشکدههای فنی- دانشگاه تهران

abstract

یکی از مهمترین بلایای طبیعی که طی سالیان اخیر موردتوجه قرارگرفته، پدیده ی گردوغبار است. در سال های اخیر این پدیده در ایران ابعاد تازه ای گرفته و از یک معضل محلی، به مسئله ای ملی تبدیل شده است. شناسایی و تشخیص طوفان گردوغبار اولین مرحله در بررسی و پایش آن می باشد. این تحقیق باهدف شناسایی مناطق دارای گردوغبار از تصاویر ماهواره ای، در منطقه خاورمیانه انجام گرفته است. در بررسی پدیده گردوغبار تصاویر سنجنده modis با توجه به قدرت تفکیک زمانی و طیفی مناسب، از اهمیت ویژه ای برخوردار می باشند. در این مطالعه با استفاده از روش های طبقه بندی درخت تصمیمگیری، شبکه عصبی مصنوعی (ann) و ماشین های بردار پشتیبان(svm) تلاش شده است که گردوغبار در تصاویر ماهواره ای modis تشخیص داده شود، که روش طبقهبندی ماشین های بردار پشتیبان به عنوان یک ایده جدید مطرح شده است. بهعلاوه بهمنظور بررسی دقت هر سه روش بکار برده شده، از محصول aod(aerosol optical depth) سنجنده omi استفاده شده است، که نتایج نشان دهنده دقت و صحت بالاتر روش svm نسبت به سایر روشها می باشد. با توجه به نتایج بدست آمده، این الگوریتم قادر به شناسایی گردوغبار در هر دو منطقه خشکی و آب بهطور همزمان می باشد و می تواند جایگزین مناسبی برای محصول aot(aerosol optical thickness) تولید شده برای گردوغبار توسط ناسا (nasa) باشد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

شناسایی گردوغبار در تصاویر ماهواره‌ای MODIS با استفاده از روشهای ماشین بردار پشتیبان، شبکه عصبی مصنوعی و درخت تصمیمگیری

یکی از مهمترین بلایای طبیعی که طی سالیان اخیر موردتوجه قرارگرفته، پدیده‌ی گردوغبار است. در سال‌های اخیر این پدیده در ایران ابعاد تازه‌ای گرفته و از یک معضل محلی، به مسئله‌ای ملی تبدیل شده است. شناسایی و تشخیص طوفان گردوغبار اولین مرحله در بررسی و پایش آن می‌باشد. این تحقیق باهدف شناسایی مناطق دارای گردوغبار از تصاویر ماهواره‌ای، در منطقه خاورمیانه انجام گرفته است. در بررسی پدیده گردوغبار تصاویر...

full text

مقایسه ی روش های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و درخت تصمیم گیری در شناسایی ابر در تصاویر ماهواره ای لندست 8

مقاله­ی پیش­رو به مقایسه­ی سه روش ماشین بردار پشتیان،شبکه­ی عصبی مصنوعی و درخت تصمیم گیری با هدف شناسایی ابر می‍پردازد. وجود ابر در تصاویر ماهواره­ای اپتیکی، پیش­پردازش­های رادیومتریکی در کاربرد­های سنجش از دور را ایجاب می­کند. معمولا شناسایی ابر در تصاویر ماهواره­ای با استفاده از روش­های طبقه­بندی نظارت شده امکان پذیر می­باشد. در این مقاله تصاویر ماهواره­ای لندست 8 از دو منطقه­ی واقع در رشته­ک...

full text

مدل سازی رواناب رودخانه صوفی چای با استفاده از ماشین بردار پشتیبان و شبکه عصبی مصنوعی

Accurate simulation runoff process can have a significant role in water resources management and related issues. The inherent complexity of  this process makes difficult the use of physical and numerical models. In recent years, application of intelligent models is increased a powerful tool in hydrological modeling. The aim of this study was the application of the Gamma test to select the optim...

full text

مدل‌سازی مقاومت فشاری بتن غلتکی با استفاده از شبکه عصبی مصنوعی، انفیس و ماشین بردار پشتیبان

امروزه از بتن غلتکی در ساخت سد‌ها و روسازی راه‌ها استفاده می‌شود و طی سال‌های اخیر استفاده از این نوع بتن به علت مزایایی چون کوتاه شدن زمان ساخت، در دسترس بودن مصالح مورد نیاز، عملکرد مناسب در نواحی سرد و عمر مفید طولانی گسترش یافته است. مهم‌ترین خاصیت مکانیکی بتن غلتکی، مقاومت فشاری می‌باشد که افزایش آن می‌تواند عملکرد این نوع بتن را بهبود بخشد. حساسیت بتن غلتکی به اجزای تشکیل‌دهنده آن سبب مشک...

full text

مقایسه ی روش های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و درخت تصمیم گیری در شناسایی ابر در تصاویر ماهواره ای لندست ۸

مقاله­ی پیش­رو به مقایسه­ی سه روش ماشین بردار پشتیان،شبکه­ی عصبی مصنوعی و درخت تصمیم گیری با هدف شناسایی ابر می‍پردازد. وجود ابر در تصاویر ماهواره­ای اپتیکی، پیش­پردازش­های رادیومتریکی در کاربرد­های سنجش از دور را ایجاب می­کند. معمولا شناسایی ابر در تصاویر ماهواره­ای با استفاده از روش­های طبقه­بندی نظارت شده امکان پذیر می­باشد. در این مقاله تصاویر ماهواره­ای لندست 8 از دو منطقه­ی واقع در رشته­ک...

full text

مقایسه روش‌های طبقه‌بندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی در استخراج کاربری‌های اراضی از تصاویر ماهواره‌ای لندست TM

Land use classification and mapping mostly use remotely sensed data. During the past decades, several advanced classification methods such as neural network and support vector machine (SVM) have been developed. In the present study, Landsat TM images with 30m spatial resolution were used to classify land uses through two classification methods including support vector machine and neural network...

full text

My Resources

Save resource for easier access later


Journal title:
علوم و فنون نقشه برداری

جلد ۴، شماره ۳، صفحات ۱۳۱-۱۴۴

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023