بهینه سازی نتایج الگوریتم ML-Based GMDH به منظور افزایش دقت تشخیص گردوغبار و عمق دید افقی ازطریق الگوریتم TLBO (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
سابقه و اهداف: کیفیت هوای پاک، به منزله یکی از ضروری ترین نیازهای موجودات زنده، براَثر فعالیت های 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 جنوب غرب ایران، شده است. در پژوهش حاضر، به منظور بررسی طوفان های گردوغبار و تشخیص عمق دید افقی، داده های سنجنده مادیس به کار رفته است. مواد و روش ها: از مزایای داده های سنجنده مادیس می توان به توان تفکیک طیفی و زمانی بالا اشاره کرد. 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، به منظور استخراج ویژگی های مورد نیاز برای انجام دادن مدل سازی ها، ازطریق روش تفاضلی بین باندهای منتخب هر تصویر داده های 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، 36 ویژگی تفاضلی از باندهای گوناگون تصاویر مادیس و شش ویژگی از داده های ایستگاه های هواشناسی زمینی، یعنی درمجموع 42 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 روش های 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 روش های پایه دسته بندی و روش های Ensemble SVM و Ensemble RF به منزله روش های 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 روش های انتخابی از رویکرد اول، دقت مناسبی را در تقریب غلظت گردوغبار و عمق دید افقی فراهم کرده است.Optimization of the Results of the ML-Based GMDH Algorithm in order to Increase the Accuracy of Walnut Pollen Detection and Horizontal Optical Depth through the TLBO Algorithm
Introduction: As one of the most essential needs of living beings, clean air quality has been threatened by natural and human activities. In recent years, dust storms have been increasing spatially and temporally, causing numerous damages to social, economic, and environmental health for the residents of the southern and southwestern regions of Iran. In the present study, MODIS sensor data were used to investigate dust storms and detect horizontal optical depth.
Materials and Methods: The advantages of MODIS sensor data include high spectral and temporal resolution. Additionally, meteorological station data were collected based on the study period. After preprocessing the data and preparing field observations, the necessary features for modeling were extracted using the differential method between selected bands of each MODIS sensor image, along with features extracted from ground-based meteorological station sensors. After further investigations and evaluations and using the viewpoints of meteorological experts, 36 differential features from various MODIS image bands and six features from ground-based meteorological station data, totaling 42 features, were extracted. Subsequently, using feature selection techniques, the best features were identified. A novel method named ML-Based GMDH, which improves the GMDH neural network by altering partial functions with machine learning models, was employed to detect dust concentration and horizontal optical depth. To achieve optimal accuracy, the hyper-parameters of this model were heuristically tuned using the TLBO optimization algorithm. Additionally, machine learning methods such as Basic GMDH, SVM, MLP, MLR, RF, and their ensemble models were implemented to compare with the main approach. According to the results, the TLBO-tuned ML-Based GMDH method provided superior accuracy in detecting dust concentration compared to the aforementioned machine-learning methods.
Results and Discussion: The SVM-PSO method was selected as the best method in the feature selection phase, the RF method was chosen as the best method among basic classification methods, and the Ensemble SVM and Ensemble RF methods were selected as the best methods in the ensemble and classification phase. It was also observed that using the ensemble approach led to a desirable improvement in horizontal optical depth classification. In the second approach, a method titled ML-Based GMDH, which improves the GMDH neural network by altering partial functions with machine learning algorithms, was used for estimating dust concentration. Additionally, to achieve suitable accuracy, the hyper-parameters of this model were finely tuned using the TLBO optimization algorithm. The results showed that this method provided appropriate accuracy in estimating dust concentration and horizontal optical depth, out performing the best-selected methods from the first approach
تبلیغات
