بهینه سازی نتایج الگوریتم ML-Based GMDH به منظور افزایش دقت تشخیص گردوغبار و عمق دید افقی ازطریق الگوریتم TLBO
- سال انتشار: 1403
- محل انتشار: نشریه سنجش از دور و GIS ایران، دوره: 16، شماره: 1
- کد COI اختصاصی: JR_GIS-16-1_003
- زبان مقاله: فارسی
- تعداد مشاهده: 158
نویسندگان
استاد گروه فناوری اطلاعات، مرکز علمی کاربردی علوموفنون علامه طبرسی، دانشگاه جامع علمی کاربردی، تهران، ایران
استادیارگروه مهندسی صنایع، دانشکده مدیریت مهندسی، دانشگاه صنعتی کرمانشاه، کرمانشاه، ایران
دانشجوی دکتری گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران
استادیار گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه اراک، اراک
چکیده
سابقه و اهداف: کیفیت هوای پاک، به منزله یکی از ضروریترین نیازهای موجودات زنده، براثر فعالیتهای طبیعی و انسانی به مخاطره افتاده است. در سال های اخیر، طوفان های گردوغبار ازلحاظ مکانی و زمانی همواره درحال افزیش بوده و سبب آسیب های بی شمار درحوزه سلامت اجتماعی، اقتصادی و زیست محیطی، برای ساکنان مناطق جنوب و جنوبغرب ایران، شده است. در پژوهش حاضر، به منظور بررسی طوفان های گردوغبار و تشخیص عمق دید افقی، دادههای سنجنده مادیس به کار رفته است. مواد و روش ها: از مزایای دادههای سنجنده مادیس میتوان به توان تفکیک طیفی و زمانی بالا اشاره کرد. همچنین دادههای ایستگاه های هواشناسی با توجه به بازه زمانی مورد مطالعه جمع آوری شده است. پس از پیشپردازش دادهها و آماده سازی مشاهدات میدانی، به منظور استخراج ویژگیهای مورد نیاز برای انجام دادن مدلسازیها، ازطریق روش تفاضلی بین باندهای منتخب هر تصویر دادههای سنجنده مادیس، به همراه ویژگی های استخراج شده از سنسورهای ایستگاه های هواشناسی زمینی استفاده شده است. با بررسی های بیشتر و ارزیابی های صورت گرفته و استفاده از دیدگاه های خبرگان هواشناسی، ۳۶ ویژگی تفاضلی از باندهای گوناگون تصاویر مادیس و شش ویژگی از داده های ایستگاه های هواشناسی زمینی، یعنی درمجموع ۴۲ ویژگی، استخراج شده است. در ادامه، ازطریق تکنیک های انتخاب ویژگی، بهترین ویژگی ها شناسایی و با به کارگیری روشی جدید با نام ML-Based GMDH، که حاصل بهبود شبکه عصبی GMDH ازطریق تغییر توابع جزئی با مدل های یادگیری ماشین است، برای تشخیص غلظت گردوغبار و دید افقی استفاده شد. برای دستیابی به دقت مناسب نیز ابرپارامترهای این مدل به صورت ابتکاری، با استفاده از الگوریتم بهینه سازی TLBO، تنظیم شدند. در ادامه، روش های یادگیری ماشین Basic GMDH SVM، MLP، MLR، RF و مدل گروهی آنها نیز، برای مقایسه با رویکرد اصلی، اجرایی شد؛ طبق نتایج، روش ML-Based GMDH تنظیم شده با TLBOبا ایجاد بهبود درقیاس با روشهای یادگیری ماشین ذکرشده، دقت بهتری را در تشخیص غلظت گردوغبار فراهم کرده است. نتایج و بحث: روش SVM-PSO به منزله روش برتر در مرحله انتخاب ویژگی، روش RF به منزله روش برتر در میان روشهای پایه دسته بندی و روشهای Ensemble SVM و Ensemble RF به منزله روشهای برتر در مرحله گروهی و دسته بندی انتخاب شدند. همچنین مشاهده شد، با استفاده از رویکرد گروهی، بهبود مطلوبی در تشخیص دسته دید افقی پدید آمد. در رویکرد دوم، روشی با عنوان ML-Based GMDH که حاصل بهبود شبکه عصبی GMDH ازطریق تغییر توابع جزئی با مدل های یادگیری ماشین است، استفاده شد که کاربرد آن در تقریب غلظت گردوغبار است. همچنین، برای دستیابی به دقت مناسب، ابرپارامترهای این مدل با الگوریتم بهینه سازی TLBO با دقت بسیار بالا تنظیم شدند. نتایج حاصل نشان دادند این روش، با ایجاد بهبود درمقایسه با بهترین روشهای انتخابی از رویکرد اول، دقت مناسبی را در تقریب غلظت گردوغبار و عمق دید افقی فراهم کرده است.کلیدواژه ها
گردوغبار, تشخیص دید افقی, سنجش از دور, یادگیری ماشین, الگوریتم TLBO, شبکه عصبی GMDHاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.