یک مدل شبکه عصبی پیچشی برای پیش بینی مسیر حرکت طوفان های گرد و غبار (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
طوفان های گردوغبار بلایایی طبیعی اند که در زندگی انسان و محیط زیست تأثیر چشمگیری گذاشته اند. توسعه مدل هایی، به منظور پیش بینی مسیر حرکت این طوفان ها، در پیشگیری و مدیریت طوفان های گردوغبار نقش بسزایی ایفا می کند زیرا مسیر انتقال آنها را آشکار و مناطق آسیب پذیر بعدی در برابر طوفان را مشخص می کنند. به لطف امکانات روش های یادگیری عمیق در حل مسائل مبتنی بر سری زمانی و یافتن الگوهای پنهان از حجم داده کلان، در این پژوهش، یک مدل ترکیبی شبکه عصبی پیچشی (CNN) به منظور پیش بینی مسیر حرکت طوفان گردوغبار، براساس داده عمق نوری هواویز (AOD) محصول MERRA-2 برای دوازده ساعت آینده، توسعه داده شده است. همچنین چهل رویداد طوفان، شامل 2489 ساعت طوفان در منطقه ای خشک در مرکز و جنوب آسیا، به منظور آموزش مدل به کار رفته است. نتایج نشان می دهد که مدل پیشنهادی پیش بینی دقیقی از مسیر حرکت طوفان به دست می دهد؛ به گونه ای که درمورد گام های زمانی 3، 6، 9 و 12 ساعت آینده، مقادیر دقت کلی به ترتیب برابر با 9806/0، 9810/0، 9813/0 و 9790/0، مقادیر امتیاز F1 به ترتیب برابر با 8490/0، 8524/0، 8530/0 و 8384/0 و مقادیر ضریب کاپا به ترتیب برابر با 8387/0، 8424/0، 8431/0 و 8273/0 است.A Convolutional Neural Network Model for Predicting the Transport Pathway of Dust Storms
Dust storms are natural disasters that have severely affected human life and the environment. The majority of research in dust storm has been dedicated to the forecasting of storm-prone areas. However, developing models to predict the movement of these storms plays a significant role in the prevention and management of dust storms, because they reveal the transport pathway and identify the next vulnerable areas against the storm. In this research, a hybrid convolutional neural network (CNN) model has been developed to predict the path of dust storms based on airborne optical depth (AOD) data of MERRA-2 product for the next 12 hours. 40 storm events including 2489 storm hours in a dry region in Central and South Asia have been used for training the model. The results show that the proposed model provides an accurate prediction of the storm's path, so that for the time steps of 3, 6, 9, and 12 hours, the overall accuracy values are 0.9806, 0.9810, 0.9813, and 0.9790, respectively, the F1 score values are 0.8490, 0.8524, 0.8530, and 0.8384, respectively, and the Kappa coefficient values are 0.8387, 0.8424, 0.8431, and 0.8273, respectively.
تبلیغات
