فهرست نشریات علمی دسترسی آزاد ایران

هدف:کارایی محصولات عمق نوری آئروسل برای کاربردهای محلی، به ویژه در زمینه پایش آلودگی هوای شهری، به دلیل قدرت تفکیک مکانی پایین محدود است. این مطالعه با هدف بهبود صحت تخمین عمق نوری آئروسل با استفاده از داده‌های سنجش از دور لندست و تلفیق روش‌های پیشرفته یادگیری ماشین و یادگیری عمیق انجام شده است.روش‌ها:شش الگوریتم شامل رگرسیون خطی چند متغیره ، رگرسیون ماشین بردار پشتیبان ، رگرسیون جنگل تصادفی ، درخت تصمیم رگرسیون ، پرسپترون چندلایه عمیق و رگرسیون جنگل عمیق و برای ادغام نتایج، از روش تلفیق در سطح تصمیم گیری مبتنی بر میانگین‌گیری استفاده شد. داده‌های مورد استفاده شامل داده‌های آلبدو، محصولات عمق نوری آئروسل با وضوح 1 کیلومتر از سنجنده مادیس و داده‌های بازتاب بالای اتمسفر از ماهواره لندست-8 (با 7 باند) بودند. نتایج:تمامی الگوریتم‌ها عملکرد نسبتاً خوبی داشتند، به‌طوری که مقادیر R² بین 0.73 تا 0.86 و مقادیر ریشه میانگین مربعات خطا بین 0.185 تا 0.414 متغیر بود. روش تلفیق در سطح تصمیم گیری صحت تخمین را بهبود بخشید و مقادیر R² برابر با 0.86 و ریشه میانگین مربعات خطا برابر با 0.202 حاصل گردید.نتیجه‌گیری:روش پیشنهادی که ترکیبی از تکنیک‌های یادگیری ماشین و یادگیری عمیق با تصاویر لندست-8 است، پتانسیل بالایی برای تولید مجموعه داده‌های عمق نوری آئروسل با وضوح بالا نشان می‌دهد. این رویکرد می‌تواند دقت تخمین عمق نوری آئروسل را افزایش دهد و آن را برای کاربردهای محلی مانند پایش کیفیت هوای شهری مناسب‌تر کند.