مجله ژئوفیزیک ایران

مجله ژئوفیزیک ایران

مدل‌سازی توفان گردوخاک بر مبنای شاخص‌های طیفی شناسایی ریزگردها و هوش مصنوعی در استان هرمزگان

نوع مقاله : مقاله پژوهشی‌

نویسندگان
1 کارشناس ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، گروه علوم جغرافیایی، دانشگاه هرمزگان، بندرعباس، ایران
2 دانشیار، گروه علوم جغرافیایی، دانشگاه هرمزگان، بندرعباس، ایران
3 استادیار، گروه علوم جغرافیایی، دانشگاه هرمزگان، بندرعباس، ایران
چکیده
گردوخاک از پدیده­های اقلیمی است که در طی چند سال اخیر اکثر استان­های کشور را درگیر ساخته است. در پژوهش حاضر روزهای 21 تا 24 نوامبر و 3 تا 9 دسامبر سال 2016 به‌عنوان نمونه روزهای گردوخاکی با دید افقی کمتر از 1000 متر انتخاب گردیده است. به‌این‌منظور پس از استخراج شاخص تفاضلی نرمال شده گردوخاک (NDDI) و شاخص اختلاف دمای درخشندگی (نوارهای 8/10 و 12) (BTD) از تصاویر ماهواره­ METEOSAT، و تعیین آستانه مناسب گردوخاک برای هر دو رخداد توفان با دو روش شبکه‌عصبی (ANN) و جنگل تصادفی (RF) به مدل‌‌سازی و پیش­بینی گردوخاک پرداخته شده است. در این مدل‌ها شاخص‌های NDDI وBTD  به‌عنوان متغیر وابسته و متغیرهای اقلیمی دمای هوا (AT)، سرعت باد (WS)، فشار هوا (P) و رطوبت مطلق هوا (AH) به‌عنوان متغیرهای مستقل به‌کار گرفته شده‌اند. 80% این داده‌ها شامل هردو دسته‌ پیش­بینی‌کننده­ها و پاسخ­ها برای آموزش مدل در نظر گرفته شد. نتایج نشان داد R2 حاصل از اجرای مدل شبکه عصبی به منظور پیش‌بینی شاخص NDDI، 08/0 و برای اختلاف دمای درخشندگی 42/0 به دست آمده است. با‌این‌وجود درستی‌سنجی سری­های زمانی شاخص تفاضلی نرمال شده پیش­بینی شده با مدل جنگل تصادفی نشان داد که R2 به بیش از 55/0 و RMSE به 2/0 رسید در‌حالی‌که R2 حاصل از اجرای مدل جنگل تصادفی به‌منظور برآورد الگوریتم اختلاف دمای درخشندگی در حدود 7/0 بوده است. بنابراین، نتایج، شاخص اختلاف دمای درخشندگی و مدل جنگل تصادفی از قابلیت بالاتری در پیش­بینی داده­های گردوخاک برخوردار هستند.
کلیدواژه‌ها

موضوعات


عنوان مقاله English

Modeling dust storm based on spectral dust indicators and artificial intelligence in Hormozgan province

نویسندگان English

Sedigheh Mourianizadeh 1
Asadollah Khoorani 2
Mohammad Sharif 3
1 M.Sc., University of Hormozgan, Bandar Abbas, Iran
2 Associate Professor, University of Hormozgan, Bandar Abbas, Iran
3 Assistant Professor, University of Hormozgan, Bandar Abbas, Iran
چکیده English

One of the current weather phenomena that has affected Iran nationwide is the dust storm. Hormozgan providence, located in the country's south (in the global arid and semiarid region), is prone to wind erosion and dust storms due to its proximity to the Central Persian and Arabian deserts and its lack of vegetation cover. According to a review of the literature, earlier studies on simulating dust storms in the Hormozgan region have primarily used MODIS products on a daily time scale for the study area. The aim of this study was to model dust storms using spectral indices, such as the Normalized Difference Dust Index (NDDI) and Brightness Temperature Difference (BTD), based on the Artificial Neural Network (ANN) and Random Forest (RF) methods, two of the most well-known and effective machine learning techniques in the modeling and prediction fields, on an hourly time scale using Spinning Enhanced Visible and InfraRed Imager (SEVIRI) METEOSAT images.
     The indicators were computed using METEOSAT images during the selected dates (21–24
November 2016 and 3–9 December 2016) for dusty days with visibility of less than 1000 m (8 images per day). In order to model and predict dust storms, the Artificial Neural Network (ANN) and Random Forest (RF) methods were used. NDVI and BT were used as dependent variables, and Air Temperature (AT), Wind Speed (WS), Air Pressure (P), and Absolut Humidity (AH) extracted from NASA GES DISK were used as dependent variables. Time scales for SIVIRI images and NASA GES DISK climate reanalysis data were 4 and 3 hours, respectively. Climate reanalysis data were extrapolated to 4 hours each day. The findings demonstrate that the NDDI's Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), and coefficient of determination (R2) were, respectively, 0.08, 0.31, and 0.24 based on ANN. While the BT index values were 0.42, 6 and 4.6, respectively. Based on the RF technique, the NDVI model had R2, RMSE, and MAE values of 0.55, 0.3, and 0.23, whereas the corresponding values for BT were 0.69, 4.4, and 2.8. The results show that RF models combined with climate reanalysis data have a good performance in modeling and predicting dust storms in the Iranian province of Hormozgan.
BT index generated from SIVIEI images with a 4-hour time resolution and RF models are also of outstanding performance. Further research is needed to evaluate the performance of the method used in this research in other regions of Iran.

کلیدواژه‌ها English

Dust storm
brightness temperature difference
SEVIRI
artificial intelligence
اسکندری دامنه، هادی، اسکندری دامنه، حامد، صیادی، زهرا و خورانی، اسداله. (1400). ارزیابی تغییرات مکانی و زمانی عمق نورری و داده‌های اقلیمی در بازه زمانی 2019-2000 (مطالعه موردی: کشور ایران). تحقیقات مرتع و بیابان ایران، 28(4)، 772-786. doi: 10.22092/ijrdr.2021.125252
اکبری، ساجده (1395). برآورد مقادیر عمق نوری هواویزها (AOD). پایان نامه کارشناسی ارشد. دانشکده­ی منابع طبیعی. دانشگاه کردستان.
اکبری، الهه، فاخری، معصومه، پورغلامحسن، عفت، & اکبری، زهرا. (1394). پهنه‏ بندی ماهانۀ میزان آلودگی هوا و بررسی نحوۀ ارتباط آن با عوامل اقلیمی (مطالعۀ موردی: شهر مشهد). نشریه محیط زیست طبیعی، 68(4)، 533-547.
امان پور، سعید، سلیمانی راد، اسماعیل، کشتکار، لیلا و مختاری چلچه، صادق (1393). تخمین قیمت مسکن شهر اهواز با استفاده از شبکه عصبی. نشریه اقتصاد و مدیریت شهری. 3، (9); ص 45-57.
بوداق پور، سیامک و چرخستانی، امیر (1387). پیش‌بینی میزان غلظت آلاینده های هوای تهران با استفاده از شبکه عصبی مصنوعی. فصلنامه علوم و تکنولوژی محیط زیست، 13(1)، ص 1-10.
تمسکی، احسان، خورانی، اسداله، درویشی بلورانی، علی و نوحه‌گر، احمد. (1394). پایش و پیش‌بینی وقوع طوفان‌های گردوغبار با استفاده از داده‌های دورکاوی، سیستم اطلاعات مکانی و داده‌های زمینی براساس بررسی تغییرات پوشش گیاهی و عناصر اقلیمی (مطالعۀ موردی: جنوب و جنوب‌شرق ایران). نشریه سنجش از دور و GIS ایران، 7(4)، 27-44.
جمالی زاده تاج آبادی، محمدرضا، مقدم نیا، علیرضا، پیری، جمشید و اختصاصی، محمدرضا (1389). پیش بینی وقوع طوفان گرد و خاک با استفاده از روش شبکه های عصبی مصنوعی (مطالعه موردی: شهر زابل). نشریه تحقیقات مرتع و بیابان ایران. 17، (2); ص 205-220.
خیراندیش، زهرا، بداق جمالی، جواد و رایگانی، بهزاد (1397). شناسایی مسیرهای عبور گرد و خاک جنوب غرب ایران (مطالعه موردی: گرد و خاک 30 خرداد 1391). نیوار، 42(100101)، ص 1-10.
خیراندیش، زهرا و بداق جمالی، جواد (1398). بررسی ماهواره‌ها و سنجنده‌های شناسایی ‌کننده گردوغبار و هواویزها. پژوهش های محیط زیست، 10(19)، ص 61-72.
کمیلیان، حسین (1392). مدل سازی توده های گردوغبار با استفاده از سنجش از دور. پایان نامه کارشناسی ارشد. دانشگاه تربیت مدرس.
دیراوی پور، مرضیه، محمد عسگری، حسین، فرهادی، سعید و نجفی، ایمان (1398). آشکارسازی پدیده گردوغبار جنوب غرب ایران با استفاده از شاخص های NDDI و BTD و شبکه عصبی. فصلنامه علمی-پژوهشی اطلاعات جغرافیایی «سپهر»، 28(111)، ص 217-234.
دمی زاده، محمود، مهدوی، رسول، نوروزی، علی‌اکبر، حلی‌ساز، ارشک و غلامی، حمید. (1400). آشکارسازی و واکاوی گردوغبار در استان هرمزگان. مهندسی و مدیریت آبخیز، 13(1)، ص 111-124.
زینالی، بتول و اصغری، صیاد.(1397). ارزیابی برخی شاخص های شناسایی گردوغبار و پایش آن (مطالعه موردی توفان 10 اوت 2008 شرق ایران). جغرافیا و برنامه ریزی، 22(65)، ص 205-222.
سلیمانی، مسعود، ارگانی، میثم، پاپی، رامین، امیری، فاطمه. (1400). پیش‌بینی عمق نوری آئروسل ماهواره‏ ای با استفاده از داده‏ کاوی پارامترهای اقلیمی. پژوهش های جغرافیای طبیعی، 53(3)، 319-333.
شریفی، ایمان، قاسم زاده، محمد. (1393). ارائه یک روش آستانه گذاری ترکیبی با استفاده از تکنیک های Li،Ramesh،Kapur. دومین همایش ملی پژوهش های کاربردی در علوم کامپیوتر و فناوری اطلاعات.تهران.
علیاری شوره دلی، مهدی، تشنه لب، محمد و خاکی صدیق، علی (1387). پیش بینی کوتاه مدت آلودگی هوا با کمک شبکه های عصبی پرسپترون چند لایه، خط حافظه دار تاخیر، گاما و ANFIS با روشهای ترکیبی آموزشی مبتنی بر PSO. نشریه کنترل. 2، (1); ص 1-19.
حسینی شه پریان، نبی الله، فیروزی، محمدعلی، و حسینی کهنوج، سیدرضا (1399). کاربرد شبکه عصبی‌مصنوعی و مدل همبستگی در پیش‌بینی پدیده گردوغبار در کلانشهر اهواز. انسان و محیط زیست ، 54.
لطفی، محسن. (1399). ارزیابی کربن آلی خاک در منطقه‌ی حفاظت شده ارسباران بر مبنای تصاویر سنتینل. پایان نامه کارشناسی ارشد. دانشگاه تهران.
مهرابی، شهباز، جعفری، رضا و سلطانی کویانی، سعید (1394). بررسی کارایی شاخص NDDI در پهنه بندی طوفان گردوغبار (مطالعه موردی: استان خوزستان). نشریه. 4، (8); ص 1-10.
عالی محمودی سراب، سجاد، معیری، محمد هادی، شتایی جویباری، شعبان و راشکی، علیرضا (1397). برآورد غلظت ریزگردها با استفاده از متغیرهای آب و هوایی (مطالعه موردی: شهرستان اهواز). محیط زیست طبیعی، 71، (3)، ص 385-397.
هادیان فر، محمد و سهراب پور، حسن (1397). پیش‌بینی آلودگی هوای تهران با داده کاوی. ششمین کنگره بین المللی توسعه و ترویج علوم و فنون بنیادین در جامعه.
 
Ackerma. S. A. (1997). Remote sensing aerosols using satellite infrared observations, Journal of Geophysical Research: Atmospheres, 102, (D14), 6391-17217.
Anselin, L., Syabri, I., and Kho, Y. (2010). GeoDa: an introduction to spatial data analysis. In Handbook of applied spatial analysis (pp. 73-89). Springer, Berlin, Heidelberg.
Albugami, S., Palmer, S., Meersmans, J., and Waine, T. (2018). Evaluating MODIS dust-detection indices over the Arabian Peninsula. Remote Sensing, 10(12), 1993
Ashpole, I., and Washington, R. (2012). An automated dust detection using SEVIRI: A multiyear climatology of summertime dustiness in the central and western Sahara. Journal of Geophysical Research: Atmospheres, 117(D8).‏
Baddock, M. C., Bullard, J. E., and Bryant, R. G. (2009). Dust source identification using MODIS: a comparison of techniques applied to the Lake Eyre Basin, Australia. Remote Sensing of Environment, 113(7), 1511-1528.
Breiman, Leo. "Random forests." Machine learning 45.1 (2001): 5-32.
Fu, B., Wang, Y., Campbell, A., Li, Y., Zhang, B., Yin, S., ... and Jin, X. (2017). Comparison of object-based and pixel-based Random Forest algorithm for wetland vegetation mapping using high spatial resolution GF-1 and SAR data. Ecological indicators, 73, 105-117.
Huang, J., Ge, J., and Weng, F. (2007). Detection of Asia dust storms using multisensor satellite measurements. Remote Sensing of Environment, 110(2), 186-191.
Huang, M., Peng, G., Zhang, J., and Zhang, S. (2006). Application of artificial neural networks to the prediction of dust storms in Northwest China. Global and Planetary change, 52(1-4), 216-224.
Hennen, M., White, K., and Shahgedanova, M. (2019). An assessment of SEVIRI imagery at various temporal resolutions and the effect on accurate dust emission mapping. Remote Sensing, 11(8), 918.‏
Li, J., Zhang, P., Schmit, T. J., Schmetz, J., and Menzel, W. P. (2007). Quantitative monitoring of a Saharan dust event with SEVIRI on Meteosat‐8. International journal of remote sensing, 28(10), 2181-2186.‏
Pourghasemi, H. R., and Kerle, N. (2016). Random forests and evidential belief function-based landslide susceptibility assessment in Western Mazandaran Province, Iran. Environmental earth sciences, 75(3), 185.
Qu, J. J., Hao, X., Kafatos, M., and Wang, L. (2006). Asian dust storm monitoring combining Terra and Aqua MODIS SRB measurements. IEEE Geoscience and remote sensing letters, 3(4), 484-486.
Randall, V. M. (2008). Review: Satellite remote sensing of surface air quality. Atmospheric Environment.
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), 1-18.
Zhang, P., Lu, N. M., Hu, X. Q., & Dong, C. H. (2006). Identification and physical retrieval of dust storm using three MODIS thermal IR channels. Global and Planetary Change, 52(1-4), 197-206.