این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
سنجش از دور و Gis ایران، جلد ۸، شماره ۲، صفحات ۰-۰
عنوان فارسی کاربست روش شبکه‌های عصبی در پیش‌بینی دمای سطح زمین، با استفاده از تصاویر حرارتی مادیس
چکیده فارسی مقاله در این مطالعه، مدلی ترکیبی از شبکه‌های عصبی ماژولار و پردازش تصاویر مادیس برای محاسبۀ دمای سطح زمین، در منطقه‌ای شامل شهر تهران، ارائه شده است. در این مدل، داده‌های تصاویر حرارتی با تکیه بر ویژگی‌های دمای درخشندگی در باندهای حرارتی 31 و 32 میکرومترسنجندۀ مادیس، به‌منزلۀ ورودی در شبکه‎های عصبی ماژولار به‌کار رفته و روش جدیدی براساس ترکیبی از شبکۀ عصبی نگاشت خودسازمانده و الگوریتم بهینه‌سازی تجمع ذرات پیشنهاد شد. نتایج به‌دست‌آمده نشان می‌دهد استفاده از این الگوریتم سبب توزیع مناسب داده‌های ورودی شبکه‌های عصبی می‌شود. در آخر، نتایج نهایی با مدل‌های شبکه‌های عصبی با آموزش و ساختار غیرماژولار نیز مقایسه شده است. نتایج این مقایسه نشان می‌دهد که زمان آموزش مدل در پیش‌بینی دمای سطح زمین کاهش، و دقت مدل افزایش یافته است. اختلاف کم بین مقادیر پیش‎بینی‌شده و مقادیر واقعی دما در منطقه نشان می‌دهد که دما با دقت مناسبی در این مدل پیش‌بینی شده است، به‌طوری‌که میانگین خطای مدل ترکیبی مقدار 0081/0 و درصد خطای مطلق نیز 59/10 است.
کلیدواژه‌های فارسی مقاله تصاویر ماهواره، شبکۀ عصبی ماژولار، دمای سطح زمین.،
عنوان انگلیسی Application of Neural Networks for Land Surface Temperature Forecasting Using MODIS Images
چکیده انگلیسی مقاله In this study, a combined model of modular networks and satellite image processing and optimization algorithms to forecast land surface temperature in an area including city of Tehran is presented. Calculating the LST has been done based on brightness temperature features in 31 and 32 MODIS channels. Thus, brightness temperature data related to these images is fed to neural network and values of land surface temperature are recovered as the output of the network. In this way,after obtaining the optimal structure obtained for networks they are trained and their weights are extracted. Then by applying a neural network with a modular structure and clustering algorithms, training will be also modular. Decomposition of the networks and after that combining the results to get the final forecast makes the performance of the modular network more effective. As a result , a new approach based on the combination of neural network or self-organizing map and particle swarm optimization algorithms is proposed. The results showed that using PSO algorithm causes appropriate distribution of cluster of SOM method and using satellite images improved performance of the proposed model. Finally, results are compared with training neural network models and non-modular structure. The results of this comparison show that model-training time in predicting the land surface temperature is decreased and the accuracy of model increased. The little difference between the predicted values and actual (real) values of temperature in the region shows that this model could predict the temperature accuraetly, so that, in this hybrid model Mean Square Errors (MSE) and Mean Absolute Percentage Error (MAPE) are 0.0081 and 10.59 respectively.
کلیدواژه‌های انگلیسی مقاله MODIS Images, Modular Neural Networks, Surface temperature
نویسندگان مقاله فرحناز تقوی | farahnaz taghavi
استادیار مؤسسۀ ژئوفیزیک، دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

عباس احمدی | abbas ahmadi
استادیار دانشکده مهندسی صنایع و سیستم های مدیریت، دانشگاه صنعتی امیرکبیر، تهران
سازمان اصلی تایید شده: دانشگاه صنعتی امیرکبیر (Amirkabir university of technology)

زهرا زرگران | zahra zargaran
دانشجوی کارشناسی ارشد مهندسی دانش و علوم تصمیم، دانشگاه علوم اقتصادی، تهران
سازمان اصلی تایید شده: دانشگاه خوارزمی (Kharazami university)

نشانی اینترنتی http://scj.sbu.ac.ir/index.php/GIS/article/view/14556
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/911/article-911-392511.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده مقالات
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات