بهینه سازی اجرای مدل عددی پیش بینی گرد و خاک با رویکرد یادگیری عمیق دربستر اینترنت اشیا

طوفان های گردوغبار در سال های اخیر روند رو به رشد داشته اند که در استان قم نیز شاهد افزایش تعداد روزهای گردو خاک و ماندگاری و شدت این پدید ها هستیم. در نتیجه به منظور مدیرت شهری و کاهش آسیب ها و پیامد هایمنفی ناشی از وقوع گرد و خاک و کاهش دید افقی، این تحقیق با هدف بهبود پیش بینی فاصله دید افقی با استفادهاز مدل های یادگیری عمیق انجام شد. برای مدلسازی وپیش بینی پدیده گردوغبار، نخست داده های دوره ده سالهمربوط به پارامتر های اقلیمی هواشناسی استان قم اخذ شد. بعد از بررسی داده ها و تحلیل عوامل موثر در پیشبینی گرد و خاک با در نظر گرفتن میزان همبستگی بین ویژگی ها، داده ها خوشه بندی شده و در نهایت برای هریک از ماه های گرم سال به صورت مجزا و دوره چهار ماهه خرداد تا شهریور مجموعه داده ها با ویژگی های موثرآماده گردید. در ادامه به کمک شبکه عصبی خودرمزگذار مدلسازی برروی مجموعه داده ها انجام شد. ارزیابی مدل ها توسط معیار های دقت، صحت، معیار پوشش و f۱ انجام شد که بهترین تشخیص در ماه مرداد با دقت ۹۶/۲ درصد می باشد.