| تعداد نشریات | 45 |
| تعداد شمارهها | 1,551 |
| تعداد مقالات | 18,927 |
| تعداد مشاهده مقاله | 63,503,897 |
| تعداد دریافت فایل اصل مقاله | 23,231,546 |
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. | ||
تازه های تحقیق | ||
در این پژوهش، از مجموعهای از الگوریتمهای یادگیری ماشین و یادگیری عمیق برای ریزمقیاسنمایی عمق نوری آئروسل استفاده شد. بررسیهای انجامشده نشان داد که اگرچه هر یک از الگوریتمها مزایا و معایب خاص خود را دارند، اما در مجموع میتوان از تلفیق آنها برای دستیابی به پیشبینی با صحت و دقت بیشتر بهره گرفت. در میان مدلهای بررسیشده، الگوریتم شبکه عصبی چندلایه پرسپترون عمیق بهترین عملکرد را در پیشبینی مقادیر عمق نوری آئروسل نشان داد. با این حال، سایر الگوریتمها نیز عملکرد نسبتاً قابل قبولی داشتند. برای نمونه، مدلهای رگرسیون بردار پشتیبان و جنگل تصادفی در برخی سناریوها دقت مناسبی ارائه دادند و الگوریتم رگرسیون خطی چند متغیره، علیرغم سادگی، در مواردی با حداقل خطای کمتر از مدلهای پیچیدهتر همراه بود. این نتایج نشان میدهد که انتخاب بهترین الگوریتم به ساختار دادهها، میزان غیرخطی بودن روابط و هدف مدلسازی بستگی دارد. یکی از مهمترین دستاوردهای این تحقیق، استفاده موفق از رویکرد تلفیق در سطح تصمیمگیری بود که با ترکیب خروجیهای چند مدل، باعث بهبود چشمگیر عملکرد نهایی شد. بهکارگیری این رویکرد منجر به افزایش ضریب همبستگی به 86/0 و کاهش مقدار ریشه میانگین مربعات خطا به 202/0 شد. همچنین، انحراف معیار پایینتر مدل تلفیقی (06/0) نشاندهنده پایداری بیشتر و مقاومت بهتر آن در برابر نوسانات دادههای ورودی بود. این مطالعه همچنین نشان داد که رویکردهای یادگیری عمیق، علیرغم نیاز به دادههای آموزشی بیشتر و پیچیدگی بالاتر، قابلیت مدلسازی دقیقتری نسبت به روشهای کلاسیک دارند. از سوی دیگر، روشهای سادهتر مانند رگرسیون خطی چند متغیره میتوانند در شرایط خاصی (مانند محدودیت داده یا روابط خطی ساده) عملکرد قابل قبولی داشته باشند. بنابراین، ترکیب این رویکردها میتواند یک راهکار متوازن برای بهینهسازی دقت و کارایی مدلسازی عمق نوری آئروسل فراهم آورد. در نهایت، یکی از مشارکتهای کلیدی این پژوهش، ارائه یک چارچوب کاربردی برای تلفیق مدلهای مختلف در زمینه تخمین عمق نوری آئروسل با دقت بالا است. استفاده از این چارچوب میتواند در مطالعات آینده نیز برای بهبود مدلسازی پدیدههای جوی، بهویژه در مناطق با دادههای محدود، مورد استفاده قرار گیرد. پیشنهاد میشود در ادامه، مدلهای پیشرفتهتری نظیر شبکههای عصبی کانولوشنی (CNN) و بازگشتی (RNN) نیز مورد بررسی قرار گرفته و اثر متغیرهای ورودی جدید و تکنیکهای مهندسی ویژگی بر عملکرد مدلها ارزیابی شود. همچنین تحلیل عدم قطعیت در پیشبینیها و آزمونپذیری مدلها در مناطق و دورههای زمانی مختلف، میتواند گام مؤثری در افزایش قابلیت تعمیم و اعتمادپذیری نتایج باشد. | ||
| کلیدواژهها | ||
| ریزمقیاس نمایی؛ یادگیری ماشین؛ یادگیری عمیق؛ عمق نوری آئروسل؛ سنجنده مادیس؛ لندست-8 | ||
| اصل مقاله | ||
|
هدف: کارایی محصولات عمق نوری آئروسل[1] برای کاربردهای محلی، بهویژه در زمینه پایش آلودگی هوای شهری، بهدلیل 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[2]، رگرسیون ماشین بردار پشتیبان[3]، رگرسیون جنگل تصادفی[4]، درخت تصمیم رگرسیون[5]، پرسپترون چندلایه عمیق[6] و رگرسیون جنگل عمیق[7] و برای ادغام نتایج، از روش تلفیق در سطح تصمیمگیری 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 73/0 تا 86/0 و مقادیر ریشه میانگین مربعات خطا بین 185/0 تا 414/0 متغیر بود. روش تلفیق در سطح تصمیمگیری صحت تخمین را بهبود بخشید و مقادیر R² برابر با 86/0 و ریشه میانگین مربعات خطا برابر با 202/0 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. | ||
| مراجع | ||
|
Andreae, M. O., & Rosenfeld, D. (2008). Aerosol–cloud–precipitation interactions. Part 1. The nature and sources of cloud-active aerosols. Earth-Science Reviews, 89(1), 13–41. https://doi.org/10.1016/j.earscirev.2008.03.001 Antonanzas-Torres, F., Sanz-Garcia, A., Martínez-de-Pisón, F. J., Antonanzas, J., Perpiñán-Lamigueiro, O., & Polo, J. (2014). Towards downscaling of aerosol gridded dataset for improving solar resource assessment, an application to Spain. Renewable Energy, 71, 534–544. https://doi.org/10.1016/j.renene.2014.06.010 Aube, M., O’Neill, N. T., & Royer, A. (2000). Modelling of aerosol optical depth variability at regional scale. IGARSS 2000. IEEE 2000 International Geoscience and Remote Sensing Symposium. Taking the Pulse of the Planet: The Role of Remote Sensing in Managing the Environment. Proceedings (Cat. No.00CH37120), 1, 199–201 vol.1. https://doi.org/10.1109/IGARSS.2000.860467 Bilal, M., Qiu, Z., Campbell, J. R., Spak, S. N., Shen, X., & Nazeer, M. (2018). A New MODIS C6 Dark Target and Deep Blue Merged Aerosol Product on a 3 km Spatial Grid. Remote Sensing, 10(3), Article 3. https://doi.org/10.3390/rs10030463 Chang, H. H., Hu, X., & Liu, Y. (2014). Calibrating MODIS aerosol optical depth for predicting daily PM2.5 concentrations via statistical downscaling. Journal of Exposure Science & Environmental Epidemiology, 24(4), Article 4. https://doi.org/10.1038/jes.2013.90 Charlson, R. J., Schwartz, S. E., Hales, J. M., Cess, R. D., Coakley, J. A., Hansen, J. E., & Hofmann, D. J. (1992). Climate forcing by anthropogenic aerosols. Science (New York, N.Y.), 255(5043), 423–430. https://doi.org/10.1126/science.255.5043.423 Gunaseelan, I., Bhaskar, B. V., & Muthuchelian, K. (2014). The effect of aerosol optical depth on rainfall with reference to meteorology over metro cities in India. Environmental Science and Pollution Research, 21(13), 8188–8197. https://doi.org/10.1007/s11356-014-2711-4 Holben, B. N., Eck, T. F., Slutsker, I., Tanré, D., Buis, J. P., Setzer, A., Vermote, E., Reagan, J. A., Kaufman, Y. J., Nakajima, T., Lavenu, F., Jankowiak, I., & Smirnov, A. (1998). AERONET—A Federated Instrument Network and Data Archive for Aerosol Characterization. Remote Sensing of Environment, 66(1), 1–16. https://doi.org/10.1016/S0034-4257(98)00031-5 Li, K., Bai, K., Li, Z., Guo, J., & Chang, N.-B. (2022). Synergistic data fusion of multimodal AOD and air quality data for near real-time full coverage air pollution assessment. Journal of Environmental Management, 302, 114121. https://doi.org/10.1016/j.jenvman.2021.114121 Li, L., Franklin, M., Girguis, M., Lurmann, F., Wu, J., Pavlovic, N., Breton, C., Gilliland, F., & Habre, R. (2020). Spatiotemporal imputation of MAIAC AOD using deep learning with downscaling. Remote Sensing of Environment, 237, 111584. https://doi.org/10.1016/j.rse.2019.111584 Liang, T., Liang, S., Zou, L., Sun, L., Li, B., Lin, H., He, T., & Tian, F. (2022). Estimation of Aerosol Optical Depth at 30 m Resolution Using Landsat Imagery and Machine Learning. Remote Sensing, 14(5), Article 5. https://doi.org/10.3390/rs14051053 Pöschl, U. (2005). Atmospheric Aerosols: Composition, Transformation, Climate and Health Effects. Angewandte Chemie International Edition, 44(46), 7520–7540. https://doi.org/10.1002/anie.200501122 Shao, L., Li, G., Zhao, Q., Li, Y., Sun, Y., Wang, W., Cai, C., Chen, W., Liu, R., Luo, W., Yin, X., & Lee, X. (2020). The fertilization effect of global dimming on crop yields is not attributed to an improved light interception. Global Change Biology, 26(3), 1697–1713. https://doi.org/10.1111/gcb.14822 Sokolik, I. N., & Toon, O. B. (1996). Direct radiative forcing by anthropogenic airborne mineral aerosols. Nature, 381(6584), Article 6584. https://doi.org/10.1038/381681a0 Wang, X., Wu, J., Chen, M., Xu, X., Wang, Z., Wang, B., Wang, C., Piao, S., Lin, W., Miao, G., Deng, M., Qiao, C., Wang, J., Xu, S., & Liu, L. (2018). Field evidences for the positive effects of aerosols on tree growth. Global Change Biology, 24(10), 4983–4992. https://doi.org/10.1111/gcb.14339 Zhou, H., Yue, X., Lei, Y., Tian, C., Ma, Y., & Cao, Y. (2021). Aerosol radiative and climatic effects on ecosystem productivity and evapotranspiration. Current Opinion in Environmental Science & Health, 19, 100218. https://doi.org/10.1016/j.coesh.2020.10.006 | ||
|
آمار تعداد مشاهده مقاله: 285 تعداد دریافت فایل اصل مقاله: 150 |
||