[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 8، شماره 3 - ( 10-1399 ) ::
جلد 8 شماره 3 صفحات 61-82 برگشت به فهرست نسخه ها
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)
رامین پاپی، دکتر میثم ارگانی*، شهاب مرادی پور، مسعود سلیمانی
دانشگاه تهران
چکیده:   (366 مشاهده)
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.
 
واژه‌های کلیدی: طوفان گردوغبار، سنجش از دور، سری زمانی، شبکه عصبی مصنوعی، حوضه فرات
متن کامل [PDF 2259 kb]   (112 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور
دریافت: 1398/10/14 | پذیرش: 1399/9/26 | انتشار: 1399/10/30
فهرست منابع
1. [1] M. Samadi, A. Darvishi Boloorani, S. Alavipanah, H. Mohamadi, and M. Najafi, "Global dust Detection Index (GDDI); a new remotely sensed methodology for dust storms detection," J. Environ. Heal. Sci. Eng., vol. 12, no. 1, p. 20, 2014. [DOI:10.1186/2052-336X-12-20]
2. [2] M. Rezazadeh, P. Irannejad, and Y. Shao, "Climatology of the Middle East dust events," Aeolian Res., vol. 10, pp. 103-109, 2013. [DOI:10.1016/j.aeolia.2013.04.001]
3. [3] L. Natsagdorj, D. Jugder, and Y. S. Chung, "Analysis of dust storms observed in Mongolia during 1937-1999," Atmos. Environ., vol. 37, no. 9-10, pp. 1401-1411, 2003. [DOI:10.1016/S1352-2310(02)01023-3]
4. [4] L.-S. Chang and S.-U. Park, "Direct radiative forcing due to anthropogenic aerosols in East Asia during April 2001," Atmos. Environ., vol. 38, no. 27, pp. 4467-4482, 2004. [DOI:10.1016/j.atmosenv.2004.05.006]
5. [5] K. Lau and K. Kim, "Observational relationships between aerosol and Asian monsoon rainfall, and circulation," Geophys. Res. Lett., vol. 33, no. 21, 2006. [DOI:10.1029/2006GL027546]
6. [6] I. Y. Fung, S. K. Meyn, I. Tegen, S. C. Doney, J. G. John, and J. K. B. Bishop, "Iron supply and demand in the upper ocean," Global Biogeochem. Cycles, vol. 14, no. 1, pp. 281-295, 2000. [DOI:10.1029/1999GB900059]
7. [7] H. Lee, H. Kim, Y. Honda, Y.-H. Lim, and S. Yi, "Effect of Asian dust storms on daily mortality in seven metropolitan cities of Korea," Atmos. Environ., vol. 79, pp. 510-517, 2013. [DOI:10.1016/j.atmosenv.2013.06.046]
8. [8] P. Ginoux, J. M. Prospero, T. E. Gill, N. C. Hsu, and M. Zhao, "Global‐scale attribution of anthropogenic and natural dust sources and their emission rates based on MODIS Deep Blue aerosol products," Rev. Geophys., vol. 50, no. 3, 2012. [DOI:10.1029/2012RG000388]
9. [9] V. Sissakian, N. Al-Ansari, and S. Knutsson, "Sand and dust storm events in Iraq," J. Nat. Sci., vol. 5, no. 10, pp. 1084-1094, 2013. [DOI:10.4236/ns.2013.510133]
10. [10] M. S. Najafi, F. Khoshakhllagh, S. M. Zamanzadeh, M. H. Shirazi, M. Samadi, and S. Hajikhani, "Characteristics of TSP loads during the Middle East springtime dust storm (MESDS) in Western Iran," Arab. J. Geosci., vol. 7, no. 12, pp. 5367-5381, 2014. [DOI:10.1007/s12517-013-1086-z]
11. [11] A. Mofidi and J. Jafari, "Examining the role of regional atmospheric circulation on the Middle East in the summer dust storms in the South West of Iran," J. Arid Reg. Geogr. Stud., no. 5, pp. 17-45, 2011.
12. [12] H. Cao, J. Liu, G. Wang, G. Yang, and L. Luo, "Identification of sand and dust storm source areas in Iran," J. Arid Land, vol. 7, no. 5, pp. 567-578, Oct. 2015. [DOI:10.1007/s40333-015-0127-8]
13. [13] S.-C. Tan, J. Li, H. Che, B. Chen, and H. Wang, "Transport of East Asian dust storms to the marginal seas of China and the southern North Pacific in spring 2010," Atmos. Environ., vol. 148, pp. 316-328, 2017. [DOI:10.1016/j.atmosenv.2016.10.054]
14. [14] A. Adib, M. Oulapour, and A. Chatroze, "Effects of wind velocity and soil characteristics on dust storm generation in Hawr-al-Azim Wetland, Southwest Iran," Casp. J. Environ. Sci., vol. 16, no. 4, pp. 333-347, 2018.
15. [15] A. Masoumi, E. Laleh, and A. Bayat, "Optical and physical properties, time-period, and severity of dust activities as a function of source for the main dust sources of the Middle East," J. Atmos. Solar-Terrestrial Phys., vol. 185, pp. 68-79, 2019. [DOI:10.1016/j.jastp.2019.01.015]
16. [16] H. Cao, F. Amiraslani, J. Liu, and N. Zhou, "Identification of dust storm source areas in West Asia using multiple environmental datasets," Sci. Total Environ., vol. 502, pp. 224-235, 2015. [DOI:10.1016/j.scitotenv.2014.09.025]
17. [17] O. Rahmati et al., "Land subsidence modelling using tree-based machine learning algorithms," Sci. Total Environ., vol. 672, pp. 239-252, 2019. [DOI:10.1016/j.scitotenv.2019.03.496]
18. [18] A. Darvishi Boloorani, Y. Kazemi, A. Sadeghi, S. Nadizadeh Shorabeh, and M. Argany, "Identification of dust sources using long term satellite and climatic data: A case study of Tigris and Euphrates basin," Atmos. Environ., p. 117299, 2020. [DOI:10.1016/j.atmosenv.2020.117299]
19. [19] M. S. Wong et al., "A multi-scale hybrid neural network retrieval model for dust storm detection, a study in Asia," Atmos. Res., vol. 158, pp. 89-106, 2015. [DOI:10.1016/j.atmosres.2015.02.006]
20. [20] A. S. Goudie, "Dust storms: Recent developments," J. Environ. Manage., vol. 90, no. 1, pp. 89-94, 2009. [DOI:10.1016/j.jenvman.2008.07.007]
21. [21] G. Shepherd et al., "Global assessment of sand and dust storms," United Nations Environment Programme (UNEP), 2016. http://hdl.handle.net/20.500.11765/4495.
22. [22] A. McNally et al., "A land data assimilation system for sub-Saharan Africa food and water security applications," Sci. data, vol. 4, no. 1, pp. 1-19, 2017. [DOI:10.1038/sdata.2017.12]
23. [23] S. Namdari, K. K. Valizade, A. A. Rasuly, and B. S. Sarraf, "Spatio-temporal analysis of MODIS AOD over western part of Iran," Arab. J. Geosci., vol. 9, no. 3, p. 191, 2016. [DOI:10.1007/s12517-015-2029-7]
24. [24] O. Rahmati et al., "Identifying sources of dust aerosol using a new framework based on remote sensing and modelling," Sci. Total Environ., vol. 737, p. 139508, 2020. [DOI:10.1016/j.scitotenv.2020.139508]
25. [25] J. Yen and R. Langari, Fuzzy logic: intelligence, control, and information, vol. 1. Prentice hall Upper Saddle River, NJ, 1999.
26. [26] F. Logic, "Fuzzy logic and neural network handbook," 1996.
27. [27] J. A. Anderson, A. Pellionisz, and E. Rosenfeld, "Neurocomputing: directions for research, vol. 2." MIT Press, Cambridge, MA, 1990.
28. [28] B. C. Hewitson and R. G. Crane, Neural nets: applications in geography: applications for geography, vol. 29. Springer Science & Business Media, 1994. [DOI:10.1007/978-94-011-1122-5]
29. [29] R. Noori, A. R. Karbassi, H. Mehdizadeh, M. Vesali‐Naseh, and M. S. Sabahi, "A framework development for predicting the longitudinal dispersion coefficient in natural streams using an artificial neural network," Environ. Prog. Sustain. Energy, vol. 30, no. 3, pp. 439-449, 2011. [DOI:10.1002/ep.10478]
30. [30] I. Kuzmanovski and S. Aleksovska, "Optimization of artificial neural networks for prediction of the unit cell parameters in orthorhombic perovskites. Comparison with multiple linear regression," Chemom. Intell. Lab. Syst., vol. 67, no. 2, pp. 167-174, 2003. [DOI:10.1016/S0169-7439(03)00092-3]
31. [31] M. T. Hagan, H. B. Demuth, and M. Beale, Neural network design. PWS Publishing Co., 1997.
32. [32] H. Demuth, M. Beale, and M. Hagan, "Neural network toolbox," Use with MATLAB. MathWorks Inc, vol. 2000, 1992.
33. [33] H. Raman and N. Sunilkumar, "Multivariate modelling of water resources time series using artificial neural networks," Hydrol. Sci. J., vol. 40, no. 2, pp. 145-163, 1995. [DOI:10.1080/02626669509491401]
34. [34] S. Haykin and N. Network, "A comprehensive foundation," Neural networks, vol. 2, no. 2004, p. 41, 2004.
35. [35] J. R. Benjamin and C. A. Cornell, Probability, statistics, and decision for civil engineers. Courier Corporation, 2014.
36. [36] A. P. Engelbrecht, Computational intelligence: an introduction. John Wiley & Sons, 2007.
37. [37] G. Onwubolu, "Hybrid Computational Intelligence and GMDH Systems," in Hybrid Self-Organizing Modeling Systems, Springer, 2009, pp. 1-26. [DOI:10.1007/978-3-642-01530-4_1]
38. [38] M. H. Beale, M. T. Hagan, and H. B. Demuth, "Neural network toolbox," User's Guid. MathWorks, vol. 2, pp. 77-81, 2010.
39. [39] R. Noori, A. Khakpour, B. Omidvar, and A. Farokhnia, "Comparison of ANN and principal component analysis-multivariate linear regression models for predicting the river flow based on developed discrepancy ratio statistic," Expert Syst. Appl., vol. 37, no. 8, pp. 5856-5862, 2010. [DOI:10.1016/j.eswa.2010.02.020]
40. [40] I. Yilmaz, "Landslide susceptibility mapping using frequency ratio, logistic regression, artificial neural networks and their comparison: a case study from Kat landslides (Tokat-Turkey)," Comput. Geosci., vol. 35, no. 6, pp. 1125-1138, 2009. [DOI:10.1016/j.cageo.2008.08.007]
41. [41] H. Gomez and T. Kavzoglu, "Assessment of shallow landslide susceptibility using artificial neural networks in Jabonosa River Basin, Venezuela," Eng. Geol., vol. 78, no. 1-2, pp. 11-27, 2005. [DOI:10.1016/j.enggeo.2004.10.004]
42. [42] H.-C. Huang, R.-C. Hwang, and J.-G. Hsieh, "A new artificial intelligent peak power load forecaster based on non-fixed neural networks," Int. J. Electr. power energy Syst., vol. 24, no. 3, pp. 245-250, 2002. [DOI:10.1016/S0142-0615(01)00026-6]
43. [43] G. Z. M. JALALI and R. E. NOURI, "Prediction of municipal solid waste generation by use of artificial neural network: A case study of Mashhad," 2008.
44. [44] N. Jalali, F. Iranmanesh, and M. H. Davoodi, "Identification on dust storm sources and their affecting areas in south-west provinces of Iran, using MODIS image", Journal of Watershed Engineering and Management, Vol. 9(3), pp. 318-331, 2017 (Persian).
45. [45] J. R. Von Holdt, F. D. Eckardt, and G. F. S. Wiggs, "Landsat identifies aeolian dust emission dynamics at the landform scale," Remote Sens. Environ., vol. 198, pp. 229-243, 2017. [DOI:10.1016/j.rse.2017.06.010]
46. [46] S. Karsoliya, "Approximating number of hidden layer neurons in multiple hidden layer BPNN architecture," Int. J. Eng. Trends Technol., vol. 3, no. 6, pp. 714-717, 2012.
47. [47] M. Hamidi, M. R. Kavianpour, and Y. Shao, "Synoptic analysis of dust storms in the Middle East," Asia-Pacific J. Atmos. Sci., vol. 49, no. 3, pp. 279-286, 2013. [DOI:10.1007/s13143-013-0027-9]
48. [48] A. Darvishi Boloorani, S.O. Nabavi, H.A. Bahrami, F. Mirzapour, M. Kavosi, E. Abasi, and R. Azizi, "Investigation of dust storms entering Western Iran using remotely sensed data and synoptic analysis," J. Environ. Heal. Sci. Eng., vol. 12, no. 1, p. 124, 2014. [DOI:10.1186/s40201-014-0124-4]
ارسال پیام به نویسنده مسئول


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Papi R, Argany M, Moradipour S, Soleimani M. 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). jgit. 2021; 8 (3) :61-82
URL: http://jgit.kntu.ac.ir/article-1-737-fa.html

پاپی رامین، ارگانی میثم، مرادی پور شهاب، سلیمانی مسعود. 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). مهندسی فناوری اطلاعات مکانی. 1399; 8 (3) :61-82

URL: http://jgit.kntu.ac.ir/article-1-737-fa.html



دوره 8، شماره 3 - ( 10-1399 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.04 seconds with 29 queries by YEKTAWEB 4312