سیف اله سلیمانی

کیفیت هوای پاک به عنوان یکی از ضروری ترین نیازهای موجودات زنده، در اثر فعالیت های طبیعی و مصنوعی به مخاطره افتاده است. در سال های اخیر، طوفان های گرد و غبار از حیث مکانی و زمانی همواره در حال افزیش بوده و سبب آسیب های بی شمار در حوزه سلامت اجتماعی، اقتصادی و زیست محیطی و غیره برای ساکنان مناطق جنوب و جنوب غربی ایران شده است. در پژوهش حاضر، جهت بررسی طوفان های گرد و غبار از داده های سنجنده MODIS استفاده شده است. از مزایای داده های سنجنده MODIS می توان به توان تفکیک طیفی و زمانی بالا اشاره نمود. همچنین داده های ایستگاه های هواشناسی با توجه به بازه زمانی مورد مطالعه، جمع آوری شده است. پس از پیش پردازش داده ها و آماده سازی مشاهدات میدانی، ویژگی های مورد نیاز برای انجام مدل‎سازی‎ها از داده های سنجنده MODIS از طریق روش تفاضلی بین تمامی باندهای هر تصویر سنجنده مودیس (36 باند) به همراه ویژگی های استخراج شده از سنسور های ایستگاه های هواشناسی زمینی استفاده شده است. ویژگی های تفاضلی کاربرد زیادی در حوزه سنجش از دور درد. در اکثر روش ها از تعداد محدودی از باند ها در استخراج ویژگی تفاضلی استفاده شده است. در روش پیشنهادی از تفاضل دو به دو بین دیتای رقومی تمامی باندها برای هر تصویر (یا مشاهده) در استخراج ویژگی استفاده شده است. با بررسی های بیشتر و ارزیابی ها و استفاده از نظرات خبرگان هواشناسی تعداد 36 ویژگی از باندهای مختلف تصاویر مودیس و 6 ویژگی از داده های ایستگاه های هواشناسی استخراج شده است. که مجموع ویژگی های استفاده شده 42 عدد می باشد. در ادامه دو رویکرد موازی برای دستیابی به دقت قابل قبول در تقریب غلظت گرد و غبار و عمق دید افقی دنبال شدند. در رویکرد اول، ویژگی های جمع آوری شده به‎ صورت موازی وارد سه مدل انتخاب ویژگی SVM-PSO، SVM-Adaboost و SVM-SFS شدند تا بر مبنای دقت طبقه بندی، بهترین زیرمجموعه ویژگی ها از میان مجموع ویژگی ها انتخاب شوند. پس از انتخاب ویژگی های بهینه و تعیین بهترین روش انتخاب ویژگی (SVM-PSO)، ویژگی ها برای طبقه بندی وارد مدل های طبقه بندی شدند. مدل های طبقه بندی مورد استفاده در رویکرد اول این پایان نامه شامل روش های شبکه عصبی GMDH، شبکه عصبی MLP، روش MLR، RF و SVM هستند که به دفعات در پژوهش های سال های اخیر مورد استفاده قرار گرفته اند. در ادامه، خروجی تمامی