طبقه‌بندی آب‌شهاب‌ها با استفاده از اطلاعات مایکروویو ماهوارهای و روش شبکههای عصبی
نویسندگان
چکیده مقاله:
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 فیزیکی و طبقه‌بندی آب‌شهاب‌های جوی میتوان به مقداردهی اولیه مدلهای ابر و مدلهای عددی پیش‌بینی آب‌و هوا، مطالعه در خصوص شکل‌گیری 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 اندازهگیری شده توسط گمانه‌زن AMSU-B و روش شبکههای عصبی مصنوعی بطور همزمان هشت نوع آب‌شهاب 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 طبقه‌بندی شده‌اند. از حدود 200 گذر ماهواره طی دوره‌ی مورد مطالعه، بین سال‌های 2000 تا 2010، برای هر نوع آب‌شهاب 200 نمونه و در مجموع 1600 نمونه که تقریبا با گزارش‌های سازمان هواشناسی همزمان بوده‌اند جمع‌آوری شده است. نتایج نشان می‌دهد که انواع کلاس‌های بارش باران، نرمه بارش، بارش متوسط و بارش شدید، با دقتی بین 54 تا 62 درصد، نسبت به سایر کلاس‌های آب‌شهاب‌ها، با دقت کمتری، و انواع دیگر آب‌شهاب‌ها تقریباً با دقتی بیش از 80 درصد بطور صحیح طبقه‌بندی شده‌اند. با قراردادن تمام کلاس‌های بارش باران در یک کلاس واحد (بارش باران RF) روی همرفته دقت طبقه‌بندی شبکه‌ی عصبی به حدود 85% ( 340 الگو از 400 الگو بطور صحیح طبقه‌بندی شده‌اند) ارتقاء می‌یابد.
منابع مشابه
طبقه بندی آب شهاب ها با استفاده از اطلاعات مایکروویو ماهواره ای و روش شبکه های عصبی
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 فیزیک...
متن کاملبررسی رابطه بین ارزشهای رقومی بازتاب حاصل از تصاویر ماهوارهای etm+ و ماده آلی خاک با استفاده از شبکههای عصبی مصنوعی و مدلهای رگرسیونی
مقدار ماده آلی نقشی کلیدی در تعیین رفتار فیزیکی، شیمیایی و بیولوژیکی خاک دارد و آگاهی از وضعیت و توزیع آن برای استفاده بهینه و پایدار از خاک ضروری است. اندازه گیری ماده آلی در آزمایشگاه، بسیار وقت گیر و پرهزینه بوده و امکان تعمیم نتایج حاصل به مناطق مشابه را دارا نمی باشد. اخیرا استفاده از داده های سنجش از دور در ارزیابی مقدار ماده آلی خاک به عنوان روشی ساده، سریع، ارزان و حتی دقیق توجه محققان ...
متن کاملتخمین هدایت هیدرولیکی اشباع در برخی از خاکهای استان ایلام با استفاده از شبکههای عصبی مصنوعی و روشهای رگرسیونی
هدایت هیدرولیکی اشباع ) Ks ( یکی از ورودیهای مهم در مدلسازی جریان آب و انتقال آلایندهها در خاک، طراحی سیستمهای آبیاری و زهکشی، مدلسازی آبهایزیرزمینی و فرایندهای زیستمحیطی است. اندازهگیری مستقیم Ks در مزرعه و آزمایشگاه میسّر میباشد؛ لیکن، معمولاً زمانبر، پرهزینه و دشوار بوده و در سطوحبزرگ نیز غیرعملی است. افزون بر این، بهدلیل غیرهمگن بودن خاک و خطاهای آزمایشگاهی، تا حدودی این اندازهگیریها غیرقابل ...
متن کاملمدلسازی استخراج روغن از دانۀ کتان به کمک پیش‌تیمار مایکروویو با استفاده از شبکههای عصبی مصنوعی
در تکنولوژی استخراج روغن، تیماردهی مناسب دانه قبل از استخراج یکی از مهم‌ترین و ضروری‌ترین مراحل برای تولید محصولی با کیفیت و راندمان بالاست. در این تحقیق به‌منظور مدلسازی فرایند استخراج روغن از دانه‌های کتان به کمک پیش‌تیمار مایکروویو از زمان‌های مختلف فرایند (90، 180 و 270 ثانیه) و توان‌های مختلف (180، 540 و 900 وات) استفاده گردید و میزان راندمان استخراج، اسیدیته، ضریب شکست، دانسیته، عدد اسید...
متن کاملپیش بینی رفتار مشتریان با استفاده از تکنیک شبکههای عصبی مصنوعی
امروزه روش های کمی، به یکی از مهم ترین ابزارهای پیش بینی برای اخذ تصمیمات و سرمایه گذاریهای کلان در بازارها تبدیل شده اند. دقت پیش بینی، یکی از مهم ترین فاکتورهای انتخاب روش پیش بینی است؛ شبکه های عصبی مصنوعی، برنامه های کامپیوتری منعطفی هستند که در سطح گسترده ای برای پیش بینی، با درجه بالایی از دقت به کار برده می شوند. امروزه میتوان با استفاده از تکنیک های داده کاوی و شبکه های عصبی به بررسی و ...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 37 شماره 83-82
صفحات 13- 24
تاریخ انتشار 2013-02-01
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023