بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
شناسايي گردوغبار در تصاوير ماهوارهاي MODIS با استفاده از روشهاي ماشين بردار پشتيبان، شبکه عصبي مصنوعي و درخت تصميم گيري
چکيده
يکي از مهم ترين بلاياي طبيعي که طي ساليان اخير موردتوجه قرارگرفته ، پديدهي گردوغبار است . در سالهاي اخير اين پديده در ايران ابعاد تازهاي گرفته و از يک معضل محلي ، به مسئله اي ملي تبديل شده است . شناسايي و تشخيص طوفان گردوغبار اولين مرحله در بررسي و پايش آن مي باشد. اين تحقيق باهدف شناسايي مناطق داراي گردوغبار از تصاوير ماهوارهاي، در منطقه خاورميانه انجام گرفته است . در بررسي پديده گردوغبار تصاوير سنجنده MODIS با توجه به قدرت تفکيک زماني و طيفي مناسب ، از اهميت ويژهاي برخوردار مي باشند. در اين مطالعه با استفاده از روش هاي طبقه بندي درخت تصميم گيري، شبکه عصبي مصنوعي (ANN) و ماشين هاي بردار پشتيبان (SVM) تلاش شده است که گردوغبار در تصاوير ماهوارهاي MODIS تشخيص داده شود، که روش طبقه بندي ماشين هاي بردار پشتيبان به عنوان يک ايده جديد مطرح شده است . به علاوه به منظور بررسي دقت هر سه روش بکار برده شده، از محصول AOD)Aerosol (Optical Depth سنجنده OMI استفاده شده است ، که نتايج نشان دهنده دقت و صحت بالاتر روش SVM نسبت به ساير روشها مي - باشد. با توجه به نتايج بدست آمده، اين الگوريتم قادر به شناسايي گردوغبار در هر دو منطقه خشکي و آب به طور همزمان مي باشد و مي - تواند جايگزين مناسبي براي محصول (AOT)Aerosol Optical Thickness توليد شده براي گردوغبار توسط ناسا (NASA) باشد.
واژگان کليدي : گردوغبار، تصاوير ماهوارهاي MODIS، ماشين هاي بردار پشتيبان، شبکه عصبي ، درخت تصميم گيري
١- مقدمه
همواره ذرات جامد به صورت معلق در جو زمين وجود دارند اما اگر تراکم اين ذرات از حد معيني بيشتر شود به مثابه يک حادثه ي غيرمترقبه بوده و خسارتزا و خطرناک خواهند بود. يکي از مهم ترين بلاياي طبيعي که طي ساليان اخير مورد توجه قرار گرفته ، پديدهي گردوغبار است . در سال هاي اخير در مناطق خشک و نيمه خشک جهان که از ميانگين بارش کمي برخوردار هستند پديدهي گردوغبار از اهميت بالايي برخوردار شده و به يک مسئله - ي نگرانکننده تبديل شده است . کشور ايران نيز به دليل همجوار بودن با بخش وسيعي از پهنه هاي بياباني تحت آثار نامطلوب اين پديده قرار مي گيرد. طوفانهاي گردوغبار در مناطق مختلف تعاريف گوناگوني دارند اما طبق توافق سازمان بين المللي هواشناسي ، هرگاه سرعت باد از ١٥ متر بر ثانيه تجاوز کند و ديد افقي به کمتر از يک کيلومتر برسد طوفان خاک گزارش مي شود[١].
طوفان هاي گردوغبار مي توانند موجب کاهش حاصلخيزي اراضي کشاورزي، آلودگي هوا، مشکلات تنفسي و کاهش ميدان ديد شوند. همچنين طوفانهاي گردوغبار روي چرخه هاي زيست محيطي تأثير مي گذارند و سبب تغيير شرايط اقليمي مي شوند، لذا بررسي طوفانهاي گردوغبار مي - تواند به فهميدن چگونگي تغيير شرايط اقليمي کمک کند؛ بنابراين توانايي شناسايي و تشخيص گردوغبار و پيش بيني آن امري مهم است . ماهوارههاي سنجش ازدور به دليل تهيه تصاوير با پوشش مکاني و توان تفکيک زماني مناسب ، در مطالعه و بررسي طوفانهاي گردوغبار بسيار کارآمد مي باشند.
گردوغبار بر ميزان انرژي رسيده به سنجنده در طولموج هاي مرئي و مادونقرمز طيف الکترومغناطيس اثر مي گذارد و با استفاده از همين اثر مي توان آن را در تصاوير ماهواره اي تشخيص داد. در سال هاي اخير پژوهش هايي به منظور مطالعه و بررسي گردوغبار با استفاده از تصاوير ماهوارهاي در مناطق مختلف جهان انجام شده است .
چندين روش به منظور استخراج گردوغبار با استفاده از باندهاي حرارتي و انعکاسي در تصاوير ماهواره اي پيشنهاد شده است .Qu و همکاران (٢٠٠٦)، شاخص ( Normalized Difference Dust Index)NDDI را معرفي کردند که با استفاده از اختلاف ميزان انعکاس در باندهاي 2.1μm و آبي ، گردوغبار را در تصوير شناسايي کردند[٢]. بدليل انعکاس بالاي پديدههاي ابر، برف و آب در طول موج آبي طيف الکترومغناطيس و اينکه گردوغبار داراي منحني طيفي مشابه خاک مي باشد مي توان از اين شاخص به منظور شناسايي گردوغبار در آب استفاده نمود. مطالعات اخير درزمينه تشخيص گردوغبار در تصاوير ماهوارهاي نشان داده است که استفاده از دماي ظاهري (Brightness Temperature) مي - تواند ابزار بسيار مناسبي جهت تشخيص گردوغبار باشد. Hao و Qu (٢٠٠٧) شاخص Thermal-infrared dust) index(TDI را به منظور تشخيص طوفان گردوغبار در تصاوير MODIS پيشنهاد دادند. براي بدست آوردن اين شاخص از چهار باند در ناحيه ي مادونقرمز حرارتي سنجندهي MODIS استفاده کردند[٣]. در سال ١٩٨٩، Ackerman وابستگي ميزان گردوغبار در تصوير و اختلاف دماي ظاهري بين باندهاي μm٣٧ وμm ١١ را بيان نمود[٤]. او در سال ١٩٩٧ استفاده سه باند ٣.٧ ،٨ و ١١ ميکرومتر را به منظور شناسايي و تشخيص گردوغبار در تصاوير MODIS و AVHRR پيشنهاد داد[٥].
اما کليه اين روشها از يک حد آستانه استفاده مي - کنند که براي هر منطقه متفاوت مي باشد و در هر روش از تعداد محدودي از باندهايي که در دسترس هستند استفاده مي شود. بنابراين يک روش خودکار براي استخراج گردوغبار در تصاوير ماهوارهاي مي تواند بسيار کارا و مفيد باشد. Revas-Prea و همکاران (٢٠١٠) با استفاده از طبقه بندي تصوير با روشهاي بيشترين شباهت و شبکه ي عصبي (Probabilistic Neural Network)PNN توانستند طوفان گردوغبار را در تصاوير MODIS شناسايي کنند.
روش بکار برده شده توسط ايشان از ميزان راديانس در ٤ باند ٢٠، ٢٩، ٣١و٣٢ سنجنده ي MODIS نيز استفاده مي کند [٦]. با توجه به اين مطلب که در ساير طول موج ها، گردوغبار خواص طيفي متفاوتي در مقايسه با ساير پديده ها دارد، مي توان به منظور تشخيص بهتر اين پديده از ديگر باندهاي سنجنده MODIS استفاده نمود. به علاوه اغلب روش هاي گفته شده نياز به اطلاعات کمکي مانند ماسک ابر دارند. استفاده از اين اطلاعات کمکي موجب افزايش دقت روش و کاهش عدم قطعيت در الگوريتم بکار رفته مي شود، اما استفاده از اين اطلاعات کمکي يک ضعف محسوب مي شود. در اين مقاله با افزايش ابعاد فضاي ويژگي با استفاده از باندهاي بيشتر، تلاش شده است که گردوغبار در تصاوير MODIS بهتر شناسايي شود.
اين مقاله از ٥ بخش تشکيل شده است . در بخش دوم دادههاي استفادهشده در مقاله همراه با ويژگي آن ها بيان شده است . در بخش سوم گردوغبار در تصاوير با روشهاي مختلف شناسايي مي شود. در بخش چهارم نتايج بدست آمده با يکديگر و همچنين با نتايج سنجنده OMI مقايسه شدهاند. بخش پنجم شامل نتيجه گيري مي باشد.
٢- داده
در اين مقاله تصاوير B-1 Level سنجندهي MODIS
مورداستفاده قرار مي گيرند. سنجندهي MODIS به دليل دارا بودن توان تفکيک مکاني ، زماني و طيفي مناسب ابزار بسيار کارآمدي جهت تشخيص گردوغبار مي باشد. اين سنجنده داراي ٣٦ باند در محدودهي μm ٠.٤ تا μm ١٤.٤ طيف الکترومغناطيس مي باشد، که ٢٠ باند آن در محدوده ي مرئي و ١٦ باند در ناحيه ي حرارتي مي باشد [٧]. توان تفکيک مکاني براي باندهاي ٨ تا ٣٦، يک کيلومتر، براي ٤ تا ٧، ٥٠٠ متر و براي باندهاي ١و٢، ٢٥٠ متر مي باشد. در اين مقاله به منظور يکسان کردن توان تفکيک مکاني کليه باندها، ساير باندها با توان تفکيک مکاني بهتر از يک کيلومتر، نيز به ١ کيلومتر تبديل شدهاند، که براي تشخيص گردوغبار مناسب مي باشد. براي اين منظور از يک تابع وزن مثلثي در جهت اسکن کردن تصاوير و از يک تابع وزن مربعي در جهت عمود بر اسکن کردن تصاوير استفاده شد. ضمن انجام اين پروسه خطاي هندسي موسوم به خطاي Bowtie موجود در داده- هاي MODIS از روي دادهها حذف شد.
به منظور استفاده از تصاوير ماهواره اي جهت انجام استخراج گردوغبار، پيش پردازش هاي راديومتريکي مختلفي انجام شد. ابتدا ارزشهاي رقومي ثبت شده توسط سنجنده (DN) به تابش طيفي تبديل شده است . اين تصحيح با استفاده از ضرايب کاليبراسيون موجود در داده انجام شد. در مرحله بعد مقدار تابش طيفي به بازتاب طيفي تبديل مي - شود. اين پرسه با اعمال تأثير زاويه ارتفاعي خورشيد و فاصله خورشيد تا زمين براساس واحدهاي ستارهشناسي انجام مي شود[٢١]. در نهايت خطاي نوارنوارشدگي دادهها، در صورت موجود بودن در برخي از باندها حذف شد. سپس با توجه به خواص طيفي و ويژگي هاي گردوغبار از ٣٦ باند موجود در تصاوير، برخي از باندها براي ورود به الگوريتم در نظر گرفته شدند که در جدول ١ آورده شدهاند.
با توجه به اينکه در طول موج هاي مرئي و مادونقرمز نزديک بازتاب موج الکترومغناطيس براي ابر بسيار زياد است ، بنابراين مي توان از اين خاصيت براي شناسايي ابر استفاده کرد. به علاوه طول موج ٢.١ميکرومتر (باند ٧) را مي توان جهت تفکيک گردوغبار از ابر و برف استفاده نمود.
باندهاي در ناحيه مادون قرمز حرارتي نيز به دليل اينکه بيانگر دماي ظاهري پديدهها مي باشند مي توانند در جداسازي کلاسها کمک فراواني کنند.
با توجه به اينکه افزايش تعداد باندها بدون افزايش اطلاعات مفيد، موجب کاهش دقت روشهاي طبقه بندي مي شود، از ٣٦ باند موجود با توجه به خواص فيزيکي گردوغبار و ساير پديدههاي طبيعي که در تصاوير وجود دارند، فقط باندهايي انتخابشدهاند که داراي اطلاعات مفيدي مي باشند.
در اين مطالعه سه طوفان گردوغبار در تاريخ هاي ١٤ Sep ٢٠٠٨، ١٨ Jun ٢٠٠٩ و ٤ March ٢٠١٠ مربوط به عراق، غرب و جنوب غرب ايران، شمال و شرق عربستان مورد بررسي قرارگرفته اند. با توجه به اينکه در اين مطالعه محصول B-١ Level سنجندهي MODIS استفاده شده است ، بنابراين با استفاده از اطلاعات طول و عرض جغرافيايي موجود، تصحيح هندسي انجام گرفته است .
جهت بررسي دقت نتايج بدست آمده از محصول (AOD)Aerosol Optical Depth بدست آمده از مشاهدات سنجنده (Ozone Monitoring Instrument)OMI استفاده شده است . سنجنده OMI در طولموجهاي ٢٦٤ تا ٥٠٤ نانومتر با قدرت تفکيک طيفي ٠.٤٣ و ٠.٦٣ نانومتر و با قدرت تفکيک مکاني ٢٤*١٣ کيلومتر در نادير تصوير تهيه مي کند[٨]. OMI به دليل تهيه تصاوير روزانه از کل کرهي زمين گزينه مناسبي جهت بررسي تغييرات بوجود آمده در سطح زمين مي باشد. به علاوه اين سنجنده قادر به شناسايي و تفکيک بين ذرات گردوغبار و دود مي باشد. در برخي از مطالعات از محصول AOT توليد شده از تصاوير MODIS براي ارزيابي نتايج استخراج گردوغبار از تصاوير MODIS استفاده شده است [٢٢].
نکته ي قابل ذکر در مورد اين محصول اين است که فقط براي مناطق پوشيده شده توسط آب داراي دقت بالايي است و نمي توان از آن براي مناطق خشکي استفاده نمود.
انعکاس بالا در مناطق خشکي علت اصلي نداشتن داده در اين مناطق است . در شکل ١ نمونه اي از محصول AOT MODIS براي طوفان سال ٢٠١٠ بررسي شده سنجنده در مقاله آورده شده است .
همانطور که در شکل ١ ديده مي شود فقط مناطق آب داراي مقدار مي باشند و ساير مناطق بدون مقدار هستند. با توجه به مطالب گفته شده، در اين مقاله نمي توان به منظور ارزيابي دقت نتايج از اين محصول استفاده نمود. زيرا موارد مطالعاتي بررسي شده در مناطق خشکي هستند.
٣- روشهاي مورد استفاده به منظور شناسايي و تشخيص گردوغبار
در اين مقاله براي اولين بار به منظور تشخيص گردوغبار در تصاوير ماهواره اي از روش ماشين هاي بردار پشتيبان استفاده شده و نتايج بدست آمده از اين روش با نتايج حاصله از روشهاي شبکه ي عصبي و درخت تصميم مقايسه گرديدهاند. در ادامه روشهاي به کار رفته توضيح داده مي شوند.
٣-١- درخت تصميم گيري (Tree Decision)
Xie در سال ٢٠٠٩، با استفاده از يک روش تلفيقي توانست گردوغبار را در تصاوير سنجندهي MODIS با دقت قابل قبولي استخراج کند. نتايج بدست آمده از روش پيشنهادي او نه تنها با گردوغباري که به وسيله ي چشم در تصاوير MODIS ديده مي شد سازگار بود بلکه با نتايج سنجنده ي (Ozone Monitoring Instrument)OMI و Cloud-Aerosol Lidar and Infrared)CALIPSO (Pathfinder Satellite Observation نيز سازگار بود. به علاوه او بيان نمود که اين الگوريتم قادر به شناسايي و تشخيص گردوغبار نزديک به مناطق ابري و مخلوط با ابرها نيز مي باشد و نشان داد که دقت اين روش بسيار دقيق تر از محصول AOT مي باشد. در اين روش تلفيقي از ٤ حد آستانه مختلف استفاده مي شود. دو حد آستانه اول جهت کنار گذاشتن ابر، آب و برف و دو حد آستانه دوم جهت جدا کردن پيکسل هاي گردوغبار از خاک و پوشش گياهي مي باشد[٩].
اولين حد آستانه شاخص NDDI مي باشد. براي محاسبه شاخص NDDI از اختلاف نرمال شده راديانس در باندهاي ٣ و ٧ سنجندهي MODIS استفاده مي گردد.
که R7 و R3 به ترتيب ميزان انعکاس در باندهاي ٣ و ٧ سنجندهي ماديس مي باشد[٢].
در اين روش با توجه به اينکه گردوغبار برخلاف ابر، برف و آب در باند ٧ (٢.١ميکرومتر) نسبت به باند ٣ (آبي ) داراي ميزان راديانس بيشتري است ، بنابراين مقدار شاخص NDDI براي گردوغبار و زمين طبيعي مثبت و براي ابر، برف و آب منفي خواهد شد که با توجه به اين مطلب در اين مرحله پيکسل هاي ابر و برف و آب کنار گذاشته شده و وارد مرحله ي بعد نمي شوند. حد آستانه دوم اختلاف دماي ظاهري مي باشد. مقدار اختلاف دماي ظاهري باندهاي ١١ و ١٢ ميکرومتر براي ابر منفي و براي گردوغبار مثبت است و اين فيلتر نيز همراه با شاخص NDDI استفاده مي شود. سپس با توجه به اينکه تصوير ما در منطقه ي تيره يا روشن قرار دارد از دو حد آستانه ي متفاوت استفاده مي شود. طبق نتايجي که Xie بدست آورد مقدار (١١-٣.٧) BTD
(اختلاف دماي ظاهري در بين باند ٣.٧ ميکرومتر و ١١ ميکرومتر) در مناطق روشن براي پيکسل هاي گردوغبار بيشتر از ٢٥ درجه ي کلوين و در مناطق تيره بيشتر از ٢٠ درجه ي کلوين مي باشد. بعلاوه استفاده از لگاريتم باند ١ مي تواند به جداسازي بهتر گردوغبار و سطح زمين کمک کند. به دليل اينکه دامنه ي تغييرات باند ١ ناحيه ي کوچکي مي باشد از لگاريتم اين باند استفاده شده است .
حد آستانه ي انتخابشده براي لگاريتم باند ١، ١.٢- براي مناطق روشن و ١.٦- براي مناطق تيره مي باشد. بنابراين با استفاده همزمان از (١١-٣٧)BTD و (Ln(R1 مي توان سطح زمين را از گردوغبار تفکيک نمود و طوفان گردوغبار را تشخيص داد. الگوريتم بکار برده شده توسط وي را در شکل ٢ مي بينيم .
ما در اين تحقيق اين الگوريتم را براي سه طوفان گردوغبار در تاريخ هاي متفاوتي در سال هاي ٢٠٠٨، ٢٠٠٩ و ٢٠١٠ اجرا نمودهايم . نحوهي بکارگيري اين الگوريتم در اين مقاله به اين صورت است که حد آستانه ها به عنوان قوانين تصميم گيري درخت تصميم در نظر گرفته شدند و تصاوير با روش طبقه بندي درخت تصميم گيري، طبقه بنديشده است . نتايج پيادهسازي اين الگوريتم را به همراه تصوير رنگي منطقه که توسط سنجنده MODIS گرفته شده است در شکل هاي ٣ و ٤ و ٥ مي بينيم . رنگ قرمز در تصاوير نمايانگر منطقه ي طوفان گردوغبار مي - باشد.
