شناسايي گردوغبار در تصاوير ماهواره‌اي MODIS با استفاده از روشهاي ماشين بردار پشتيبان، شبكه عصبي مصنوعي و درخت تصميمگيري

Comparison of Support Vector Machine, Artificial Neural Network and Decision Tree Classifiers for Dust Detection in Modis Imagery

یكی از مهمترین بلایای طبیعی كه طی سالیان اخیر موردتوجه قرارگرفته، پدیده‌ی گردوغبار است. در سال‌های اخیر این پدیده در ایران ابعاد تازه‌ای گرفته و از یك معضل محلی، به مسئله‌ای ملی تبدیل شده است. شناسایی و تشخیص طوفان گردوغبار اولین مرحله در بررسی و پایش آن می‌باشد. این تحقیق باهدف شناسایی مناطق دارای گردوغبار از تصاویر ماهواره‌ای، در منطقه خاورمیانه انجام گرفته است. در بررسی پدیده گردوغبار تصاویر سنجنده MODIS با توجه به قدرت تفكیك زمانی و طیفی مناسب، از اهمیت ویژه‌ای برخوردار می‌باشند. در این مطالعه با استفاده از روش‌های طبقه بندی درخت تصمیمگیری، شبكه عصبی مصنوعی (ANN) و ماشین‌های بردار پشتیبان(SVM) تلاش شده است كه گردوغبار در تصاویر ماهواره‌ای MODIS تشخیص داده شود، كه روش طبقهبندی ماشین‌های بردار پشتیبان به عنوان یك ایده جدید مطرح شده است. بهعلاوه بهمنظور بررسی دقت هر سه روش بكار برده شده، از محصول AOD(Aerosol Optical Depth) سنجنده OMI استفاده شده است، كه نتایج نشان دهنده دقت و صحت بالاتر روش SVM نسبت به سایر روشها می‌باشد. با توجه به نتایج بدست آمده، این الگوریتم قادر به شناسایی گردوغبار در هر دو منطقه خشكی و آب بهطور همزمان می‌باشد و می‌تواند جایگزین مناسبی برای محصول AOT(Aerosol Optical Thickness) تولید شده برای گردوغبار توسط ناسا (NASA) ‌باشد.

Nowadays, dust storm in one of the most important natural hazards which is considered as a national concern in scientific communities. This paper considers the capabilities of some classical and intelligent methods for dust detection from satellite imagery around the Middle East region. In the study of dust detection, MODIS images have been a good candidate due to their suitable spectral and temporal resolution. In this study, physical-based and intelligent methods including decision tree, ANN (Artificial Neural Network) and SVM (Support Vector Machine) have been applied to detect dust storms. Among the mentioned approaches, in this paper, SVM method has been implemented for the first time in domain of dust detection studies. Finally, AOD (Aerosol Optical Depth) images, which are one the referenced standard products of OMI (Ozone Monitoring Instrument) sensor, have been used to asses the accuracy of all the implemented methods. Since the SVM method can distinguish dust storm over lands and oceans simultaneously, therefore the accuracy of SVM method is achieved better than the other applied approaches. As a conclusion, this paper shows that SVM can be a powerful tool for production of dust images with remarkable accuracy in comparison with AOT (Aerosol Optical Thickness) product of NASA.