آمار
| تعداد نشریات | 45 |
| تعداد شمارهها | 1,521 |
| تعداد مقالات | 18,562 |
| تعداد مشاهده مقاله | 60,855,650 |
| تعداد دریافت فایل اصل مقاله | 21,697,717 |
بهبود ریزمقیاسنمایی پارامتر عمق نوری آئروسل با تلفیق روشهای یادگیری ماشین و یادگیری عمیق: مطالعه موردی شهرستان زنجان | ||
| نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی | ||
| دوره 6، شماره 19، تیر 1405 اصل مقاله (1.43 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/rsgi.2026.66463.1128 | ||
| نویسندگان | ||
| علی صادق نژاد1؛ علی شمس الدینی* 2 | ||
| 1گروه سنجش ازدور و سیستم اطلاعات جغرافیایی، دانشکده علوم انسانی، دانشگاه تربیت مدرس، تهران، ایران | ||
| 2دانشگاه تربیت مدرس، دانشکده علوم انسانی، گروه سنجش ازدور و سیستم اطلاعات جغرافیایی | ||
| چکیده | ||
| هدف: کارایی محصولات عمق نوری آئروسل برای کاربردهای محلی، به ویژه در زمینه پایش آلودگی هوای شهری، به دلیل قدرت تفکیک مکانی پایین محدود است. این مطالعه با هدف بهبود صحت تخمین عمق نوری آئروسل با استفاده از دادههای سنجش از دور لندست و تلفیق روشهای پیشرفته یادگیری ماشین و یادگیری عمیق انجام شده است. روشها: شش الگوریتم شامل رگرسیون خطی چند متغیره ، رگرسیون ماشین بردار پشتیبان ، رگرسیون جنگل تصادفی ، درخت تصمیم رگرسیون ، پرسپترون چندلایه عمیق و رگرسیون جنگل عمیق و برای ادغام نتایج، از روش تلفیق در سطح تصمیم گیری مبتنی بر میانگینگیری استفاده شد. دادههای مورد استفاده شامل دادههای آلبدو، محصولات عمق نوری آئروسل با وضوح 1 کیلومتر از سنجنده مادیس و دادههای بازتاب بالای اتمسفر از ماهواره لندست-8 (با 7 باند) بودند. نتایج: تمامی الگوریتمها عملکرد نسبتاً خوبی داشتند، بهطوری که مقادیر R² بین 0.73 تا 0.86 و مقادیر ریشه میانگین مربعات خطا بین 0.185 تا 0.414 متغیر بود. روش تلفیق در سطح تصمیم گیری صحت تخمین را بهبود بخشید و مقادیر R² برابر با 0.86 و ریشه میانگین مربعات خطا برابر با 0.202 حاصل گردید. نتیجهگیری: روش پیشنهادی که ترکیبی از تکنیکهای یادگیری ماشین و یادگیری عمیق با تصاویر لندست-8 است، پتانسیل بالایی برای تولید مجموعه دادههای عمق نوری آئروسل با وضوح بالا نشان میدهد. این رویکرد میتواند دقت تخمین عمق نوری آئروسل را افزایش دهد و آن را برای کاربردهای محلی مانند پایش کیفیت هوای شهری مناسبتر کند. | ||
| کلیدواژهها | ||
| ریزمقیاس نمایی؛ یادگیری ماشین؛ یادگیری عمیق؛ عمق نوری آئروسل؛ سنجنده مادیس؛ لندست-8 | ||
|
سایر فایل های مرتبط با مقاله
|
||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 159 تعداد دریافت فایل اصل مقاله: 31 |
||
