معرفي مدل تركيبي از شبكه هاي عصبي پيمانه اي و پردازش تصاوير ماهواره براي پيش بيني دماي سطح زمين در شهر تهران

در سال های اخیر استفاده از تصاویر ماهواره برای بهبود پیش بینی عددی وضع هوا به علت طبیعت بی نظم جو به یك چالش مهم و بحث انگیز تبدیل شده است . در این مطالعه مدل تركیبی از پردازش تصاویر ماهواره و شبكه های عصبی پیمانه ای یا ماژولار )Modular( 9 الگوریتم های بهینه سازی برای پیش بینی دمای سطح زمین Land Surface Temperature) LST ) در منطقه ای شامل شهر تهران ارائه میشود . Brightness با تكیه بر ویژگی های دمای درخشندگی L ST در این مطالعه محاسبه (Temperature, BT) د ر كانال های ۳۱ و ۳۲ سنجنده مادیس انجام شده است. در ادامه با بكارگیری از چند شبكه عصبی با ساختار ماژولار و الگوریتم های خوشه بندی آموزش آن نیز ماژولار می شود . برای تجزیه مسئله تركیبی از شبكه عصبی نگاشت خود سازمانده یا ( Self-Organi Zing Map. SOM) و الگوریتم بهینه سازی تجمع ذرات ( Particle SWarm Optimization Algorithm: PSO) استفاده می شود . نتایج نشان می دهد كه استفاده از الگوریتم PSO سبب توزیع مناسب خوشه های حاصل از روشی SOM شده است و بهبود عملكرد مدل پیشنهادی شده است. در آخر نتایج نهایی با مدل های شبكه های عصبی با آموزش و ساختار غیر ماژولار نیز مقایسه شده است . نتایج این مقایسه نشان می دهد كه زمان آموزش مدل در پیش بینی دمای سطح زمین كاهش و دقت مدل افزایش یافته است. اختلاف كم بین مقادیر پیش بینی شده و مقادیر واقعی دما در منطقه ، نشان می دهد كه این مدل توانسته دما را با دقت خوبی پیش بینی كند.