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
Publish place: Journal of the Earth and Space Physics، Vol: 50، Issue: 2
Publish Year: 1403
نوع سند: مقاله ژورنالی
زبان: Persian
View: 57
This Paper With 22 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JESPHYS-50-2_002
تاریخ نمایه سازی: 31 تیر 1403
Abstract:
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 مولفه 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 P۰۳۸ 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 ۲۰۱۷ تا ۲۰۲۰ استفاده می شود. طبق برآورد انجام شده سطح محتوای حجمی آب در سال ۲۰۱۷، برابر ۸۸/۸ درصد می باشد، که در سال ۲۰۱۸ به ۷۴/۱۱ درصد افزایش می یابد. سپس اندکی کاهش یافته و در سال ۲۰۱۹ به ۸۸/۱۰ درصد رسیده و نهایتا در سال ۲۰۲۰ به ۴۹/۱۲ 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 ۸۰ 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 ۰۹/۰ به ۰۴/۰ کاهش یافته و پیش بینی ها دقیق تر انجام می شوند.
Keywords:
Authors
Asghar Rastbood
گروه نقشه برداری، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران.
Patricia Danghian
گروه نقشه برداری، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران.
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :