طبقه بندی آب شهاب ها با استفاده از اطلاعات مایکروویو ماهواره ای و روش شبکه های عصبی
نویسندگان
چکیده
آب شهاب های موجود در جو، به هر شکلی که باشند (جامد، مایع و گاز)، با تابش مایکروویو (از طریق پراکندگی، جذب و گسیل) برهمکنش می کنند. اندازه گیری های گمانه زن مایکروویو پیشرفته واحد b (amsu-b) روی ماهواره های noaa به نوع، شکل و توزیع اندازه و همچنین رفتار سقوطی آب شهاب ها در حجم تفکیک ابزار سنجش حساس و در نتیجه برای مطالعه انواع مختلف آب شهاب های جوی مفید می باشند. از جمله کاربرد اطلاعات خرد فیزیکی و طبقه بندی آب شهاب های جوی می توان به مقداردهی اولیه مدل های ابر و مدل های عددی پیش بینی آب و هوا، مطالعه در خصوص شکل گیری و چرخه زندگی بارش و همچنین انتخاب الگوریتم مناسب برای برآورد بارش اشاره کرد. با توجه به این مهم، در این مقاله با استفاده از دمای تابشی اندازه گیری شده توسط گمانه زن amsu-b و روش شبکه های عصبی مصنوعی بطور همزمان هشت نوع آب شهاب مختلف، 1- توفان تندری(ts) 2- باران سنگین(hr) 3- باران سبک(lr) 4- باران متوسط(mr) 5- بارش برف(sf) 6- پوشش برف(sc) 7- آسمان ابری(cls) 8- آسمان صاف(cs) به هشت کلاس مجزا طبقه بندی شده اند. از حدود 200 گذر ماهواره طی دوره ی مورد مطالعه، بین سال های 2000 تا 2010، برای هر نوع آب شهاب 200 نمونه و در مجموع 1600 نمونه که تقریبا با گزارش های سازمان هواشناسی همزمان بوده اند جمع آوری شده است. نتایج نشان می دهد که انواع کلاس های بارش باران، نرمه بارش، بارش متوسط و بارش شدید، با دقتی بین 54 تا 62 درصد، نسبت به سایر کلاس های آب شهاب ها، با دقت کمتری، و انواع دیگر آب شهاب ها تقریباً با دقتی بیش از 80 درصد بطور صحیح طبقه بندی شده اند. با قراردادن تمام کلاس های بارش باران در یک کلاس واحد (بارش باران rf) روی همرفته دقت طبقه بندی شبکه ی عصبی به حدود 85% ( 340 الگو از 400 الگو بطور صحیح طبقه بندی شده اند) ارتقاء می یابد.
منابع مشابه
برآورد تغییرات سطح پوشش جنگل های رودسر با استفاده از روش های طبقه بندی شبکه عصبی مصنوعی و حداکثر احتمال
امروزه کسب آگاهی و دانش در رابطه با پوشش گیاهی نقش مهمی را در مدیریت خاکها ایفا میکند. بااین وجود برآورد پوشش گیاهی به روش معمولی که شامل برآورد کلی از پوشش گیاهی است هم زمانبر است و هم اطلاعات چندان دقیقی را به دست نمیدهد. از این رو سنجش از دور فنآوری بسیار مفیدی است که به دلیل کاهش زمان و هزینه، بر سایر روشها ارجحیت داده میشود. در این تحقیق سعی بر آن شد با استفاده از تکنیکهای سنجش از د...
متن کاملافزایش نرخ کارایی طبقه بندی با استفاده از تجمیع ویژگی های موثر روش های مختلف ترکیب شبکه های عصبی
Both theoretical and experimental studies have shown that combining accurate Neural Networks (NN) in the ensemble with negative error correlation greatly improves their generalization abilities. Negative Correlation Learning (NCL) and Mixture of Experts (ME), two popular combining methods, each employ different special error functions for the simultaneous training of NN experts to produce negat...
متن کاملطبقه بندی لندفرم ها با استفاده از شبکه های عصبی خودسازمانده(Self-organization map) (مطالعه موردی: حوضه آبخیز گاوخونی)
امروزه شناسایی لندفرمها و طبقهبندی زمین مبتنی بر روش کارشناسی می باشد که به صورت دستی و با استفاده از عکس های هوایی و نقشه های توپوگرافی انجام می شود که روشی وقت گیر و دارای دقت کمی می باشد. از این رو استفاده از روش های نیمه اتوماتیک و اتوماتیک به منظور طبقه بندی لندفرم ها برای افزایش دقت و سرعت کار، ضروری به نظر می رسد. این پژوهش سعی دارد که به طبقه بندی لندفرم ها بر اساس الگوریتم شبکه های...
متن کاملشبیه سازی و طبقه بندی وقایع کیفیت توان با استفاده از شبکه عصبی
امروزه استفاده ی روز افزون از تجهیزات الکترونیکی و بارهای غیر خطی در سیستم قدرت، مسئله کیفیت توان را به یک موضوع مهم تبدیل کرده است. در این مقاله برای شبیه سازی وقایع کیفیت توان به طور همزمان از دو روش مدل سازی ریاضی و داده های حاصل از شبیه سازی با نرم افزار Pscad استفاده شده است. با توجه به عملکرد بسیار خوب شبکه های عصبی در کارهای تشخیص الگو و طبقه بندی، شبکه عصبی چند لایه برای طبقه بندی وقایع...
متن کاملطبقهبندی آبشهابها با استفاده از اطلاعات مایکروویو ماهوارهای و روش شبکههای عصبی
آبشهابهای موجود در جو، به هر شکلی که باشند (جامد، مایع و گاز)، با تابش مایکروویو (از طریق پراکندگی، جذب و گسیل) برهمکنش میکنند. اندازهگیریهای گمانهزن مایکروویو پیشرفته واحد B (AMSU-B) روی ماهوارههای NOAA به نوع، شکل و توزیع اندازه و همچنین رفتار سقوطی آبشهابها در حجم تفکیک ابزار سنجش حساس و در نتیجه برای مطالعه انواع مختلف آبشهابهای جوی مفید میباشند. از جمله کاربرد اطلاعات خرد فیزیک...
متن کاملطبقه بندی نظارت شده جوامع گیاهی شمشاد هیرکانی با استفاده از شبکه عصبی مصنوعی
در این پژوهش، کاربرد روش شبکه عصبی مصنوعی یا MLP در فرآیند تخصیص رلوه- گروهها/جوامعگیاهی با استفاده از پایگاه اطلاعاتی ترکیبگیاهی جنگلهای شمشاد هیرکانی (Buxus hyrcana Pojark.) ارزیابی شد. برای این منظور، نخست گروههای بومشناختی و جامعهشناختی شمشاد هیرکانی به ترتیب با استفاده از نتایج دو روش عددی TWINSPAN و تجربی براون-بلانکه تعیین شد. نتایج هر دو دارنگاره عددی و تجربی طبقهبندی مشتمل بر 7...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
عنوان ژورنال:
نیوارجلد ۳۷، شماره ۸۳-۸۲، صفحات ۱۳-۲۴
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023