BTD

امروزه پدیده های گردوغباری در ردیف مهم ترین مخاطرات محیطی قرارگرفته و سلامتی انسان و محیط زیست را با خطر جدی روبرو نموده اند. یکی از ویژگی های مهم نواحی بیابانی (خشک و نیمه خشک)، رخداد پدیده های گردوغباری است. تشخیص توفان های گردوغبار، اولین و مهم ترین روش جهت پیش گیری و کاهش آثار مخرب آن می باشد . از این رو هدف تحقیق حاضر تشخیص و بارزسازی گردوغبار با استفاده از شاخص های NDDI و BTD و شبکه های عصبی در نرم افزار MATLAB می باشد. در این تحقیق نتایج مربوط به پدیده های گردوغبار تاریخ 30 خردادماه 1391 شمسی (19/06/ 2012) مورد استفاده قرار گرفته است. نتایج نشان داد، شاخص NDDI به تنهایی قادر به تفکیک پیکسل های گردوغبار موجود در اتمسفر از پیکسل های غیرگردوغبار و ماسه زمینی نبوده و عملکر ضعیفی دارد. شاخص BTD ، گردوغبار اکوسیستم خشکی را به خوبی بارزسازی کرد ولی BTD (20-31) و BTD (23-31) بارزسازی بهتری در اکوسیستم آبی داشت. بنابراین، باید با دقت زیاد آستانه را تعیین کرد. همچنین، بارزسازی در زمین های شنی و ماسه ای به خوبی انجام نشد. شبکه عصبی مصنوعی پیشرو برای تصاویر روزانه با 60 %   و برای تصاویر شبانه با 59 % ،  دقت و عملکرد نسبتاً خوبی را نشان داد. بنابراین، شبکه عصبی نسبت به شاخص های   NDDI و BTD ، روش مناسب تری برای تشخیص و بارزسازی گردوغبار بود و نیازی به تعیین آستانه برای بررسی هر تصویر نداشت. هرچه نمونه های آموزشی شبکه عصبی، با دقت و تعداد بیشتر و ابعاد بزرگتر انتخاب شود، عملکرد و دقت شبکه افزایش خواهد یافت، نتایج این تحقیق می تواند در راستای تشخیص خودکار گردوغبار در طول روز و شب و در اکوسیستم های آبی و خشکی مورد استفاده قرار گیرد .