پيش‎بيني غلظت گرد و غبار در مقياس آزمايشگاهي با استفاده از فناوري‎هاي پردازش تصوير و هوش مصنوعي

گرد و غبار يكي از مسائل زيست‌محيطي است كه داراي اثرات نامطلوبي در همه بخش‎هاي كشاورزي و منابع طبيعي است. هدف از تحقيق حاضر پيش‎بيني غلظت گرد و غبار در هوا است. يك سامانه آزمايشگاهي براي گرفتن تصاوير از گرد و غبار شامل اتاقك شيشهاي، دمنده، غبارسنج، دوربين تصويربرداري و رايانه پياده‎سازي شد. با استفاده از خاك رس طوفان‎ گرد و غبار با غلظت‎هاي مختلف از 0، 275، 1289، 1896، 2316، 2585 و 2750 ميكروگرم بر مترمكعب در داخل اتاقك شيشه‎اي ايجاد شد. براي هر غلظت گرد و غبار، 15 تصوير به دست آمد و پس از پيش‎پردازش آن‎ها، ميانگين كانال‎هاي مختلف تصاوير در فضاهاي مختلف رنگي استخراج شد. از ويژگي‎هاي تصاوير براي پيش‎بيني غلظت گرد و غبار با كمك فناوري هوش مصنوعي استفاده شد. داده‌ها به سه گروه تقسيم‎بندي شدند، 60 درصد داده‎ها براي آموزش، 20 درصد براي اعتبارسنجي، و 20 درصد براي آزمون شبكه استفاده شد. مدل‎هاي مختلف شبكه عصبي مصنوعي پرسپترون چندلايه مورد بررسي قرار گرفت و مشخص شد كه مدل با ساختار 1-8-10 با تابع فعال‎سازي تنسيگ در لايه‎هاي پنهان و خروجي داراي بيشترين دقت (93.81 درصد) است. يافته‎هاي تحقيق حاضر قابليت فناوري‎هاي پردازش تصوير و هوش مصنوعي در پيش‎بيني غلظت گرد و غبار با دقت زياد و هزينه كم را نشان مي‎دهد.