محمد شریف

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.

در سال های اخیر، مطالعه رفتار اشیاء نقطه ای و تجزیه و تحلیل خطوط سیر آن ها در علوم مختلف، بویژه در علوم اطلاعات مکانی [1] ، مورد توجه بسیاری از محققان قرار گرفته است . مطالعات مذکور به درک صحیح الگوهای رفتاری-حرکتی این اشیاء کمک شایانی می کنند. نحوه حرکت اشیاء تا حد زیادی متأثر از زمینه ای است که حرکت در آن صورت می پذیرد . به همین دلیل، تحلیل خطوط سیر اشیا صرفاً با در نظر گرفتن ابعاد مکانی و مکانی-زمانی به درستی شرایط حین حرکت را منعکس نمی کند و منجر به نتایج غیرواقعی می شود.با این حال، روش های موجود اندازه گیری فاصله تنها قادر به اندازه گیری تشابه خطوط سیر در ابعاد مکانی و مکانی-زمانی هستند و معمولاً بعد زمینه را نادیده می گیرند. بنابراین، در این تحقیق، روشی نوین توسعه داده شده است، تا بتوان از طیف وسیعی از اطلاعات زمینه ای کمی و کیفی داخلی و خارجی در کنار ابعاد مکانی-زمانی در فرآیند اندازه گیری تشابه خطوط سیر غیر هم اندازه استفاده کرد. در توسعه روش مذکور، از سیستم های استنتاج فازی برای مدلسازی تشابه خطوط سیر با استفاده از انواع داده های حرکتی و اطلاعات زمینه ای بهره گرفته شده است . برای افزایش کارایی روش پیشنهادی از ساختار سلسله مراتبی مبتنی بر مسئله و تولید و تنظیم همزمان توابع عضویت و مجموعه قواعد از طریق یادگیری استفاده شده است. عملکرد این سیستم با اعمال آن برروی مجموعه خطوط سیر واقعی افراد پیاده و دوچرخه سوار به همراه اطلاعات زمینه ای آنها حین حرکت مورد ارزیابی قرار گرفته است . نتایج بیانگر کارآمدی روش پیشنهادی در اندازه گیری زمینه-آگاه خطوط سیر با اندازه های گوناگون و در ابعاد مختلف است. [1] 3-Geospatial Information Science