نوع مقاله : مقاله پژوهشی

نویسندگان

• علی صادق نژاد ¹
• علی شمس الدینی ²

¹ گروه سنجش ازدور و سیستم اطلاعات جغرافیایی، دانشکده علوم انسانی، دانشگاه تربیت مدرس، تهران، ایران

² دانشگاه تربیت مدرس، دانشکده علوم انسانی، گروه سنجش ازدور و سیستم اطلاعات جغرافیایی

چکیده

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.

کلیدواژه‌ها

• ریزمقیاس نمایی
• یادگیری ماشین
• یادگیری عمیق
• عمق نوری آئروسل
• سنجنده مادیس
• لندست-8

موضوعات

• سنجش از دور و سیستم اطلاعات جغرافیایی

عنوان مقاله [English]

Improvement of Downscaling of Aerosol Optical Depth Using a Hybrid Approach of Machine Learning and Deep Learning: A Case Study in Zanjan County

نویسندگان [English]

• Ali Sadeghnezhad ¹
• Ali Shamsoddini ²

¹ Department of Remote Sensing and GIS, Faculty of Humanities, Tarbiat Modares University, Tehran, Iran

² Department of Remote Sensing and GIS, Faculty of Humanities, Tarbiat Modares University, Tehran, Iran

چکیده [English]

Objective: “Atmospheric Optical Depth (AOD) product effectiveness is limited for local-scale applications, particularly in urban air pollution monitoring, due to its coarse spatial resolution. This study aims to improve the accuracy of AOD estimation by leveraging Landsat remote sensing data and integrating advanced machine learning and deep learning techniques.”
Methods: To evaluate the accuracy of AOD estimation, six algorithms were tested: Multiple Linear Regression, Support Vector Regression (SVR), Random Forest Regression, Extra Trees Regression, Deep Multilayer Perceptron, and Deep Forest Regression. A decision-level fusion approach based on averaging was employed to integrate the results. The study utilized albedo data, 1 km resolution AOD products from the MODIS sensor, and top-of-atmosphere reflectance data from the OLI sensor (with 7 bands). Additionally, 180 AOD measurements from the AERONET (Aerosol Robotic Network) were used for training and validation. The study period covered the years 2014 to 2022.
Results: All algorithms demonstrated relatively strong performance, with R² values ranging from 0.73 to 0.86 and Root Mean Square Error (RMSE) values between 0.185 and 0.414. The Deep Multilayer Perceptron algorithm achieved the best performance, although the differences among the algorithms were minor. The decision-level fusion approach improved estimation accuracy, achieving an R² of 0.86 and reducing RMSE to 0.202.
Conclusions: The proposed method, which combines machine learning and deep learning techniques with Landsat-8 imagery, shows significant potential for generating high-resolution AOD datasets. This approach can enhance the accuracy of AOD estimation, making it more suitable for local-scale applications such as urban air quality monitoring.

کلیدواژه‌ها [English]

• Downscaling
• Machine learning
• Deep learning
• Aerosol Optical Depth
• MODIS
• Landsat-8