通过帮助卫星图像时间序列和集成机器学习与进化算法集成的尘埃检测和易感度映射
Seyed Vahid Razavi-Termeh1, Abolghasem Sadeghi-Niaraki1, Rizwan Ali Naqvi2
1Dept. of Computer Science & Engineering and Convergence Engineering for Intelligent Drone, XR Research Center, Sejong University, Seoul, Republic of Korea.
Environmental pollution (Barking, Essex : 1987)
|July 23, 2023
概括
这项研究使用整体机器学习为伊朗布什尔省开发了一种改进的尘埃易感性地图 (DSM). 该RF-DE模型在预测易受尘埃影响的地区方面表现出卓越的准确性,将高度,风速和土地覆盖作为关键因素.
科学领域:
- 环境科学 环境科学
- 遥感 遥感 遥感 遥感
- 机器学习 机器学习
背景情况:
- 尘埃对人类健康和环境产生影响,需要准确地绘制易感性地图.
- 识别易受尘埃影响的地区对于有效的缓解策略至关重要.
研究的目的:
- 为伊朗布什尔省开发一个改进的尘埃易感性地图 (DSM).
- 使用先进的建模技术,识别影响尘埃发生的关键因素.
主要方法:
- 使用中等分辨率成像光谱辐射仪 (MODIS) 图像从2002-2022年来识别尘埃发生.
- 通过增强随机森林 (RF) 模型并使用三个进化算法开发了一个整体机器学习模型:差异进化 (DE),遗传算法 (GA) 和花粉算法 (FPA).
- 创建了一个空间数据库,包含519个尘埃发生点和15个尘埃影响因素,包括高度,风速,土地覆盖面和NDVI.
主要成果:
- 射频-DE模型获得了最高的精度,RMSE=0.131,AUC-ROC=0.988和R2=0.93,性能优于RF-GA,RF-FPA和基础射频模型.
- 高度,风速和土地覆盖被确定为影响尘埃发生的最重要因素.
- 该研究证实,将进化算法与射频模型相结合,可以大大提高尘埃易感度建模的准确性.
结论:
- 集成机器学习模型,特别是RF-DE,为准确的尘埃易感性绘图提供了强大的方法.
- 了解关键的促成因素有助于有针对性的灰尘减缓工作.
- 开发的DSM为易受尘埃影响的地区的环境管理和公共卫生倡议提供了宝贵的工具.
