بهينه‌سازي نتايج الگوريتم ML-Based GMDH به‌منظور افزايش دقت تشخيص گردوغبار و عمق ديد افقي ازطريق الگوريتم TLBO

سابقه و اهداف: كيفيت هواي پاك، به‌منزله‌ يكي از ضروري‏ترين نيازهاي موجودات زنده، براَثر فعاليت‏هاي طبيعي و انساني به‌مخاطره افتاده است. در سال‌هاي اخير، طوفان‌هاي گردوغبار ازلحاظ مكاني و زماني همواره درحال افزيش بوده و سبب آسيب‌هاي بي‌شمار درحوزه‌ سلامت اجتماعي، اقتصادي و زيست‌محيطي، براي ساكنان مناطق جنوب و جنوب‏غرب ايران، شده است. در پژوهش حاضر، به‌منظور بررسي طوفان‌هاي گردوغبار و تشخيص عمق ديد افقي، داده‏هاي سنجنده‌ ماديس به‌كار رفته است. مواد و روش‌ها: از مزاياي داده‏هاي سنجنده‌ ماديس مي‏توان به توان تفكيك طيفي و زماني بالا اشاره كرد. همچنين داده‏هاي ايستگاه‌هاي هواشناسي با توجه به بازه‌ زماني مورد مطالعه جمع‌آوري شده است. پس‌از پيش‏پردازش داده‏ها و آماده‌سازي مشاهدات ميداني، به‌منظور استخراج ويژگي‏هاي مورد نياز براي انجام‌دادن مدل‎سازي‎ها، ازطريق روش تفاضلي بين باندهاي منتخب هر تصوير داده‏هاي سنجنده‌ ماديس، به‌همراه ويژگي‌هاي استخراج‌شده از سنسورهاي ايستگاه‌هاي هواشناسي زميني استفاده شده است. با بررسي‌هاي بيشتر و ارزيابي‌هاي صورت‌گرفته و استفاده از ديدگاه‌هاي خبرگان هواشناسي، 36 ويژگي تفاضلي از باندهاي گوناگون تصاوير ماديس و شش ويژگي از داده‌هاي ايستگاه‌هاي هواشناسي زميني، يعني درمجموع 42 ويژگي، استخراج شده است. در ادامه، ازطريق تكنيك‌هاي انتخاب ويژگي، بهترين ويژگي‌ها شناسايي و با به‌كارگيري روشي جديد با نام ML-Based GMDH، كه حاصل بهبود شبكه‌ عصبي GMDH ازطريق تغيير توابع جزئي با مدل‌هاي يادگيري ماشين است، براي تشخيص غلظت گردوغبار و ديد افقي استفاده شد. براي دستيابي به دقت مناسب نيز ابرپارامترهاي اين مدل به‌صورت ابتكاري، با استفاده از الگوريتم بهينه‌سازي TLBO، تنظيم شدند. در ادامه، روش‌هاي يادگيري ماشين Basic GMDH SVM، MLP، MLR، RF و مدل گروهي آنها نيز، براي مقايسه با رويكرد اصلي، اجرايي شد؛ طبق نتايج، روش ML-Based GMDH تنظيم‌شده با  TLBOبا ايجاد بهبود درقياس با روش‏هاي يادگيري ماشين ذكرشده، دقت بهتري را در تشخيص غلظت گردوغبار فراهم كرده است. نتايج و بحث: روش SVM-PSO به‌منزله‌ روش برتر در مرحله‌ انتخاب ويژگي، روش RF به‌منزله‌ روش برتر در ميان روش‎هاي پايه‌ دسته‌بندي و روش‎هاي Ensemble SVM و Ensemble RF به‌منزله‌ روش‎هاي برتر در مرحله‌ گروهي و دسته‌بندي انتخاب شدند. همچنين مشاهده شد، با استفاده از رويكرد گروهي، بهبود مطلوبي در تشخيص دسته‌ ديد افقي پديد آمد. در رويكرد دوم، روشي با عنوان ML-Based GMDH كه حاصل بهبود شبكه‌ عصبي GMDH ازطريق تغيير توابع جزئي با مدل‌هاي يادگيري ماشين است، استفاده شد كه كاربرد آن در تقريب غلظت گردوغبار است. همچنين، براي دستيابي به دقت مناسب، ابرپارامترهاي اين مدل با الگوريتم بهينه‌سازي TLBO با دقت بسيار بالا تنظيم شدند. نتايج حاصل نشان دادند اين روش، با ايجاد بهبود درمقايسه با بهترين روش‏هاي انتخابي از رويكرد اول، دقت مناسبي را در تقريب غلظت گردوغبار و عمق ديد افقي فراهم كرده است.