fa شناسایی گردوغبار در تصاویر ماهواره‌ای MODIS با استفاده از روشهای ماشین بردار پشتیبان، شبکه عصبی مصنوعی و درخت تصمیمگیری فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research یکی از مهمترین بلایای طبیعی که طی سالیان اخیر موردتوجه قرارگرفته، پدیده‌ی گردوغبار است. در سال‌های اخیر این پدیده در ایران ابعاد تازه‌ای گرفته و از یک 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 تفکیک زمانی و طیفی مناسب، از اهمیت ویژه‌ای برخوردار می‌باشند. در این مطالعه با استفاده از روش‌های طبقه بندی درخت تصمیمگیری، شبکه عصبی مصنوعی (ANN) و ماشین‌های بردار پشتیبان(SVM) تلاش شده است که گردوغبار در تصاویر ماهواره‌ای MODIS تشخیص داده شود، که روش طبقهبندی ماشین‌های بردار پشتیبان به عنوان یک ایده جدید مطرح شده است. بهعلاوه بهمنظور بررسی دقت هر سه روش بکار برده شده، از محصول AOD(Aerosol Optical Depth) سنجنده OMI استفاده شده است، که 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 خشکی 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. گردوغبار, تصاویر ماهوارهای MODIS, ماشینهای بردار پشتیبان, شبکه عصبی, درخت تصمیمگیری Dust storm, Classification, MODIS, Decision Tree, SVM, ANN 131 144 http://jgst.issgeac.ir/browse.php?a_code=A-10-25-69&slc_lang=fa&sid=1 M. Shahrisvand محسن شهریسوند m.shahrisvand@ut.ac.ir 10031947532846001619 10031947532846001619 Yes گروه مهندسی نقشهبرداری- پردیس دانشکدههای فنی- دانشگاه تهران M. Akhoondzadeh Hanzaei مهدی آخوندزاده هنزائی makhonz@ut.ac.ir 10031947532846001620 10031947532846001620 No گروه مهندسی نقشهبرداری- پردیس دانشکدههای فنی- دانشگاه تهران A. Souri امیرحسین سوری souri_rs@ut.ac.ir 10031947532846001621 10031947532846001621 No گروه مهندسی نقشهبرداری- پردیس دانشکدههای فنی- دانشگاه تهران