مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

72
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

59
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

برآورد رطوبت حجمی خاک از تداخل سنجی سنجش بازتاب سیستم های ماهواره ای ناوبری جهانی و تحلیل سری زمانی حاصل با شبکه های عصبی مصنوعی حافظه طولانی کوتاه مدت

صفحات

 صفحه شروع 283 | صفحه پایان 304

چکیده

 تداخل سنجی سنجش بازتاب سیستم های ماهواره ای ناوبری جهانی (GNSS-IR) را می توان به عنوان یکی دیگر از روش های سنجش از دور برای پایش رطوبت خاک به صورت پیوسته و البته در مقیاس محلی در نظر گرفت که در وضعیت های مختلف جوی مانند شرایط بارانی و مه آلود و در شرایط متفاوت نور و روشنایی مانند روز و شب قابل اجرا است. سیگنال های بازتابی از سطح زمین توسط آنتن های GNSS  قابل دریافت است. تغییرات در رطوبت خاک باعث تغییر در مقدار مؤلفه نسبت سیگنال به نویز  SNRسیگنال های بازتابی می شود. با تجزیه و تحلیل سیگنال های بازتابی, می توان به اطلاعات مفیدی در مورد سطح بازتاب دست یافت. SNR به شدت به رطوبت خاک وابسته است. در این تحقیق داده های ایستگاه P038 در منطقه نیومکزیکو مورد استفاده قرار می گیرد. بدین صورت که از سیگنال های چندمسیری برای برآورد تغییرات رطوبت خاک در طول چهار سال, از 2017 تا 2020 استفاده می شود. طبق برآورد انجام شده سطح محتوای حجمی آب در سال 2017, برابر 88/8 درصد می باشد, که در سال 2018 به 74/11 درصد افزایش می یابد. سپس اندکی کاهش یافته و در سال 2019 به 88/10 درصد رسیده و نهایتاً در سال 2020 به 49/12 درصد افزایش می یابد. در این مقاله کارایی شبکه های عصبی حافظه طولانی کوتاه مدت (LSTM) در پیش بینی سری زمانی رطوبت حجمی خاک به دست آمده از تداخل سیگنال های بازتابی GNSS مورد ارزیابی قرار می گیرد. آموزش مدل با استفاده از 80 درصد مشاهدات ایستگاه انجام می گیرد. با به روزرسانی وضعیت شبکه با مقادیر مشاهده شده به جای مقادیر پیش بینی شده, مقدار جذر خطای مربعی میانگین از 09/0 به 04/0 کاهش یافته و پیش بینی ها دقیق تر انجام می شوند.

چندرسانه ای

  • ثبت نشده است.

    • استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    مقالات مرتبط نشریه ای

  • ثبت نشده است.

    • مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button