Journal of Geospatial Information Technology

fa مدلسازی پتانسیل ایجاد کانون های گردوغبار با استفاده از سری زمانی داده های سنجش از دور، منطق فازی و شبکه عصبی مصنوعی (مطالعه موردی: حوضه فرات) Modeling the potential of Sand and Dust Storm sources formation using time series of remote sensing data, fuzzy logic and artificial neural network (A Case study of Euphrates basin) سنجش از دور RS پژوهشي Research طوفان های گردوغبار به عنوان یکی از معضلات زیست محیطی شایع در مناطق خشک و نیمه خشک جهان به شمار می روند که برای سلامت انسان و نیز به لحاظ اقتصادی زیان بار هستند. این طوفان ها از حدود دو دهه گذشته تا کنون در مقیاس های محلی، منطقه ای و حتی جهانی در حال افزایش هستند. حوضه رودخانه فرات به عنوان یکی از فعال ترین کانون های گردوغبار در سطح جهانی شناخته شده است. شناسایی کانون های طوفان گردوغبار اولین گام در برنامه ریزی هدفمند جهت مبارزه با این پدیده زیست محیطی به حساب می آید. هدف از پژوهش حاضر، تهیه نقشه پتانسیل کانون های گردوغبار در حوضه رودخانه فرات با استفاده از شبکه عصبی مصنوعی پرسپترون چند لایه است. در گام نخست سری زمانی بلندمدت داده های مربوط به پارامترهای محیطی کلیدی و موثر بر رخداد طوفان های گردوغبار شامل رطوبت، دما و بافت خاک، دمای سطح زمین، سرعت باد، بارش، تبخیرتعرق، ماه های دارای گردوغبار، کاربری اراضی، فشار ناشی از جمعیت، ارتفاع و شیب شناسایی و به عنوان ورودی‌های شبکه عصبی به کار گرفته شدند. از طریق بررسی 2500 تصویر رنگی طبیعی سنجنده مادیس، تعداد 190 کانون رخداد طوفان گردوغبار به صورت بصری شناسایی و به عنوان نقاط آموزشی به شبکه عصبی معرفی شدند. 70 درصد نقاط (133 نقطه) برای آموزش و 30 درصد نقاط (57 نقطه) برای تست و اعتبارسنجی مدل مورد استفاده قرار گرفتند. پس از اجرای مدل، مقدار خطای میانگین مربعات معادل 0.1 به دست آمد که حاکی از صحت قابل قبول شبکه عصبی در شناسایی کانون های بالقوه گردوغبار است. نتایج نشان می دهد که 147 هزار کیلومتر مربع از مساحت کل حوضه، مستعد شکل گیری کانون طوفان های گردوغبار است که عمدتا نواحی کم بارش، خشک و بایر حوضه را شامل می شوند.   Sand and Dust Storms (SDS) are known as one of the most common environmental problems in arid and semi-arid regions of the world. This phenomenon is harmful to human health as well as to economy. Over the past two decades, SDS have been increasing on a local, regional and even global scale. The Euphrates Basin is recognized as one of the most active SDS sources in the world. The first step in managing this environmental phenomenon, is to identify dust storm sources. The aim of this study is mapping the potential sources of SDS in the Euphrates basin by using Multi-Layer Perceptron Neural Network. In the first step, the long-term time series of which is data, related to key environmental parameters affecting the occurrence of SDS including: soil moisture, soil temperature, soil texture, land surface temperature, wind speed, precipitation, evapotranspiration, dusty months, land use population, pressure, the identified elevation and slope were used as artificial neural network model inputs. Using the visual interpretation of 2500 MODIS images in natural color composite, 190 SDS centers were identified visually and introduced to the neural network as training points. 70% of the points (133 points) and 30% of them (57 points) were used for training, testing and validation of model, respectively. After running the model, the estimated mean squared error (MSE) was equal to 0.1, which indicats acceptable accuracy of the neural network model in mapping the potential SDS sources. The results show that, 147000 km2 of the basin is prone to the formation of SDS sources, which mainly include low rainfall, dry and barren areas of the basin. طوفان گردوغبار, سنجش از دور, سری زمانی, شبکه عصبی مصنوعی, حوضه فرات Sand and Dust Storm (SDS), Remote Sensing, Time Series, Artificial Neural Network, Euphrates Basin 61 82 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-470-2&slc_lang=fa&sid=1 Ramin Papi رامین پاپی raminpapi@ut.ac.ir 10031947532846008280 10031947532846008280 No University of Tehran دانشگاه تهران Meysam Argany میثم ارگانی argany@ut.ac.ir 10031947532846008281 10031947532846008281 Yes University of Tehran دانشگاه تهران Shahab Moradipour شهاب مرادی پور shahab.moradii@ut.ac.ir 10031947532846008282 10031947532846008282 No University of Tehran دانشگاه تهران Masoud Soleimani مسعود سلیمانی masoud.soleimani@ut.ac.ir 10031947532846008283 10031947532846008283 No University of Tehran دانشگاه تهران