ORIGINAL_ARTICLE
وارونسازی سهبعدی دادههای گرانی ناهمواری سنگ بستر دشت امانآباد با استفاده از انتگرالهای نوع کوشی
دادههای گرانیسنجی برای بررسی ساختارهای زمینشناسی مانند توپوگرافی سنگ بستر در محیطهای رسوبی مستعد منابع هیدروکربنی و آبهای زیرزمینی بهکار میروند. استفاده از الگوریتم های بهینهسازی تصادفی با توجه به وابستگی نداشتن شدید نتایج به مدل اولیه و نیز نیاز نداشتن به مشتقات در محاسبات، با استقبال زیادی روبهرو است. بااینحال، وارونسازی غیرخطی سهبعدی داده های گرانیسنجی با استفاده از الگوریتمهای بهینهسازی سراسری تصادفی، فرایندی زمانبر است. در این پژوهش، در فرایند وارونسازی تصادفی دادههای گرانی برای تصویر سازی سطح سنگ بستر در حوضههای رسوبی، از انتگرال نوع کوشی سه-بعدی بهعنوان تابع پیشرو سریع استفاده شده است. در ابتدا، صحت وکارایی زمانی الگوریتم در مقایسه با روش های حجمی مرسوم (مجموعه بلوکهای راستگوشه) روی مدلهای مصنوعی آزمایش شده است. برای نشان دادن قابلیتهای روش در فرایند وارون، الگوریتم ژنتیک با مقادیر بهینه پارامترها روی دادههای گرانی مصنوعی و واقعی حوضه رسوبی با چگالی ثابت پیاده سازی شده است. نتایج مدلهای شبیهسازیشده در بخش مدلهای پیشرو نشان میدهد زمان لازم برای محاسبات انتگرال کوشی، در مقایسه با انتگرالهای حجمی که با دو روش مختلف مدلسازی پیشرو انجام شدهاند، بهترتیب 15 و 50 مرتبه کمتر است. مختصات کرانهای انتگرال در روش اول، رئوس مکعب و در روش دوم مرکز وجهها است. روش بهکاررفته برای وارونسازی دادههای واقعی، عمق تقریبی سنگ بستر حوضه آبرفتی امانآباد (اراک ) را حداکثر 150 متر برآورد کرده است. براساس نتایج دادههای حفاری، بیشینه عمق سنگ بستر 140 متر است. مطالعات پیشین، عمقهای کمتر از200 متر را گزارش کردهاند که با نتایج این تحقیق سازگار است.
https://www.ijgeophysics.ir/article_92872_c229d0292aac672852a093bfaa86f92e.pdf
2019-09-23
1
17
انتگرال نوع کوشی سهبعدی
مدلسازی سهبعدی
الگوریتم ژنتیک
دشت امان آباد
نازنین
محمدی
nazanin.mohammadi@ut.ac.ir
1
دانشجوی کارشناس ارشد، گروه فیزیک زمین، موسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران
AUTHOR
سید هانی
متولی عنبران
motavalli@ut.ac.ir
2
استادیار، گروه فیزیک زمین، موسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران
LEAD_AUTHOR
وحید
ابراهیم زاده اردستانی
ebrahimz@ut.ac.ir
3
استاد، گروه فیزیک زمین، موسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران
AUTHOR
داودی، ح.، صفری، ع. و ابراهیم زاده اردستانی، و.، 1395، وارونسازی دادههای گرانی به کمک روش تبرید شبیهسازیشده (مطالعه موردی- منطقه امانآباد اراک): نشریه علمی- پژوهشی علوم و فنون نقشهبرداری، 6(1).
1
میرزایی، م. و یوسفی راد، م.، 1385، گزارش مدل ریاضی دشتامان آباد، سازمان مدیریت و برنامهریزی استان مرکزی، 178 ص.
2
Bitsadze, A. V., 1995, Integral Equation First Kind: World Scientific Publishing Co., Pte. Ltd.
3
Cai, H., and Zhdanov, M., 2015a, Application of Cauchy-type integrals in developing effective methods for depth to basement inversion of gravity and gravity gradiometery. Geophysics 80(2), G81-G94.
4
Cai, H., and Zhdanov, M., 2015b, Modeling and inversion of magnetic anomalies caused by sediment–basement interface using three-dimensional Cauchy-type integrals. IEEE Geoscience and Remote Sensing Letters 12(3), 477-481.
5
Cai, H., and Zhdanov, M., 2017, Joint inversion of gravity and magnetotelluric data for depth to basement estimation IEEE Geoscience and Remote Sensing Letters 14(8), 1228-1232.
6
Cai, H., Xiong, B., and Zhu, Y., 2018, 3D Modeling and Inversion of Gravity in Exploration. Intech Open Limited.
7
https://www.intechopen.com/books/gravity-geoscienceapplications-industrial-technology-and-quantum-aspect/3dmodeling-and-inversion-of-gravity-data-in-exploration-scale.
8
Gallardo-Delgado, L. A., Perez-Flores, M. A., and Gomez-Trevino, E., 2003, A versatile algorithm for joint 3D inversion of gravity and magnetic data. Geophysics 68(3), 249-259.
9
Grefenstette, J., 1986, Optimization of control parameters for genetic algorithms. IEEE Transactions on Systems, Man and Cybernetics 16(1), 122-128.
10
Haupt, R. L., and Haupt, S. E., 2004, Practical genetic algorithms, Second edition: John Willy & Sons.
11
Jamasb, A., Motavalli-Anbaran, S. H., and Zeyen, H., 2017, Non-linear stochastic inversion of gravity data via quantum-behaved particle swarm optimization: application to Eurasia–Arabia collision zone (Zagros, Iran). Geophysical Prospecting 65(1), 274-294.
12
Jamasb, A., Motavalli-Anbaran, S. H., and Ghasemi, K., 2018, A novel hybrid algorithm of particle swarm optimizatio
13
n and evolution strategies for geophysical non-linear inverse problems-. Pure and Applied Geophysics 176(4), 1601-1613.
14
Karimiara, A., Mirzaei, M., Babaei, M., 2017, Inversion of gravity data by constrained nonlinear optimization based on programming techniques for mapping bedrock topography. Journal of the Earth and Space Physics 43(4), 27-45.
15
Mojica, F., and Bassarei, A., 2016, A hybrid fast 3D inversion algorithm of gravity data for basement relief: 68th Annual International Meeting, SEG.
16
Montesions, F., Arnoso, J., and Vieira, R., 2005, Using a genetic algorithm for 3-D inversion of gravity data in Fuerteventura (Canary Island). International Journal of Geoscience 94, 301-316.
17
Nagy, D., Papp, G., and Benedek, J., 2000, The gravitational potential and its derivatives for the prism.Journal of Geodesy 74, 552-560.
18
Nicolaide, A., 1998, Three-dimensional analog of the Cauchy integral formula for solving magnetic field problems. IEEE Transactions on Magnetics 34(3), 608-612.
19
Pallero, J., Fernández-Martínez, J. L., Bonvalot, S., and Fudym, O., 2015, Gravity inversion and uncertainty assessment of basement relief via Particle Swarm Optimization. Journal of Applied Geophysics 116, 180-191.
20
Pallero J., Fernández-Martínez, J. L., Bonvalot S., and Fudym, O., 2017, 3D gravity inversion
21
and uncertainty assessment of basement relief via Particle Swarm Optimization. Journal of Applied Geophysics 139, 338-350.
22
Reeves, C. R., 1993, Using genetic algorithms with small populations: in Proceedings of 5th international conference on genetic algorithms, University of Illinois at Urbana-Champaign, Morgan Kaufmann Publishers.
23
Reeves, C., 2003, Genetic algorithms: in Handbook of Metaheuristics (pp. 55-82), Springer US.Sen, M. K., and Stoffa, P. L., 2013, Global optimization methods in geophysical inversion: Cambridge University Press.
24
Zhang, J., Wang, C. Y., Shi, Y., Cai, Y., Chi, W. C., Dreger, D., Cheng, W. B., and Yuan, Y. H., 2004, Three-dimensional crustal structure in central Taiwan from gravity inversion with a parallel genetic algorithm. Geophysics 69(4), 917-924.
25
Zhdanov, M., 1988, Integral transforms in geophysics:. Springer-Verlag.
26
Zhdanov, M., and Cai, H., 2013, Inversion of gravity and gravity gradiometry data for density constant surfaces using Cauchy-types integrals: 83rd Annual International Meeting, SEG.
27
Zhdanov, M., and X., Liu, 2013, 3D Cauchy- type integrals for terrain correction of gravity and gradiometery data. Geophysical Journal International 194, 249-268.
28
ORIGINAL_ARTICLE
برهمکنش هواویزهای ناشی از خودروها و ابرهای سرد در آزمایشگاه
ذرات آلاینده در هوای شهرها بر سلامت، محیط زیست، اقلیم و دیگر جنبهها اثرگذار هستند. منابع متحرک علت اصلی انتشار هواویزهای اولیه در شهرهای بزرگ نظیر تهران هستند. هواویزهایی که خودروها (بنزینی و دیزلی) تولید میکنند، میتوانند بهعنوان هستههای میعان ابر و هستههای یخ بر بارش تأثیرگذار باشند. بارش میتواند علاوه بر تأمین منابع آبی به بهبود کیفیت هوای شهرها نیز کمک کند. در ایران اکثر ابرها از نوع ابرهای سرد هستند و مطالعه این ابرها اهمیت ویژهای دارد. در این مقاله با استفاده از روشهای آزمایشگاهی، نقش اینگونه هواویزها در توزیع اندازه قطرکهای اَبَرسرد و بلورهای یخ و رشد گویچههای برف با بهکارگیری سازوکار میله چرخان و گشتاور الکترواستاتیکی بلورها بررسی میشود. نتایج آزمایشها نشان میدهند هواویزهای ناشی از خودروها اغلب دوده و خاکستر هستند و با وجود این ذرات، قطر میانگین قطرکهای اَبَرسرد و بلورهای یخ کاهش مییابد. با کاهش قطر قطرک-های اَبَرسرد، رشد گویچههای برف نیز کاهش مییابد که میتواند بر برخی پدیدهها نظیر آذرخش اثرگذار باشد. براساس این نتایج، ذرات آلاینده تأثیر چندانی بر گشتاور الکترواستاتیکی بلورهای یخ ندارند. شکل بلورهای مشاهده شده در آزمایشها شامل صفحههای ششضلعی، ستارهای، قطاعی، ستونهای توپر و کلاهکی، منشورها، مثلثی شکلها، سوزنکها و دندریت شکلها است. هنگامیکه بلورهای یخ در معرض نور قرار میگیرند، به رنگهای متفاوتی دیده میشوند (همانند حباب صابون در معرض نور). با توجه به ضخامت قسمتهای مختلف بلورهای یخ و طول موجهای نور مرئی، رنگهای متفاوتی در میدان حرکت این بلورها ظاهر میشود.
https://www.ijgeophysics.ir/article_96511_05dd6341bcbcf86ff3b035bb734e1c69.pdf
2019-09-23
18
32
بلورهای یخ
هواویزها
خودروها
ابر سرد
قطرکها
گشتاور الکترواستاتیکی
امیر
باقری مصلح آبادی
amir.bagheri@ut.ac.ir
1
کارشناس ارشد، گروه فیزیک فضا، موسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران
AUTHOR
عباسعلی
علی اکبری بیدختی
bidokhti@ut.ac.ir
2
استاد، گروه فیزیک فضا، موسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران
LEAD_AUTHOR
مریم
قرایلو
gharaylo@ut.ac.ir
3
استادیار، گروه فیزیک فضا، موسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران
AUTHOR
باقری مصلحآبادی، ا.، علیاکبری بیدختی، ع. و قرایلو، م.، 1397، بررسی تجربی تأثیر ذرات آبدوست بر تعدیل مه: مجله فیزیک زمین و فضا، 10.22059/jesphys.2019.262718.1007027.
1
Alam, M.S., Zeraati-Rezaei, S., Stark, C.P., Liang, Z., Xu, H., and Harrison, R.M., 2016., The characterisation of diesel exhaust particles–composition, size distribution and
2
partitioning: Faraday Discussions, 189, 69-84.
3
Bürgesser, R.E., Pereyra, R.G., and Avila, E.E., 2006, Charge separation in updraft of convective regions of thunderstorm: Geophysical Research Letters, 33(3).
4
Chen, Y., Shah, N., Braun, A., Huggins, F.E., and Huffman, G.P., 2005, Electron microscopy investigation of carbonaceous particulate matter generated by combustion of fossil fuels: Energy and Fuels, 19(4), 1644-1651.
5
Choularton, T.W., Bower, K.N., Weingartner, E., Crawford, I., Coe, H., Gallagher, M.W., Flynn, M., Crosier, J., Connolly, P., Targino, A., and Alfarra, M.R., 2008, The influence of small aerosol particles on the properties of water and ice clouds: Faraday Discussions, 137, 205-222.
6
Deng, W., Hu, Q., Liu, T., Wang, X., Zhang, Y., Ding, X., Sun, Y., Bi, X., Yu, J., Yang, W., and Huang, X., 2016, Chamber simulation on the formation of secondary organic aerosols (SOA) from diesel vehicle exhaust in China: Atmospheric Chemestry and Physics Discussion, in Review.
7
Deng, W., Hu, Q., Liu, T., Wang, X., Zhang, Y., Song, W., Sun, Y., Bi, X., Yu, J., Yang, W., and Huang, X., 2017, Primary particulate emissions and secondary organic aerosol (SOA) formation from idling diesel vehicle exhaust in China: Science of the Total Environment, 593, 462-469.
8
Esmaili, N., Khashman, S., Lamehi-Rachti, M., Aligol, D.A., Shokouhi, F., Oliaiy, P., and Farahani, M.F., 2014, Elemental analysis of aerosols in Tehran’s atmosphere using PIXE and identification of pollution sources: Environmental Monitoring and Assessment, 186(11), 7505-7512.
9
Foster, T.C., and Hallett, J., 2002, The alignment of ice crystals in changing electric fields: Atmospheric Research, 62(1-2), 149-169.
10
Foster, T.C., and Hallett, J., 2008, Enhanced alignment of plate ice crystals in a non-uniform electric field: Atmospheric Research, 90(1), 41-53.
11
Fujitani, Y., Saitoh, K., Kondo, Y., Fushimi, A., Takami, A., Tanabe, K., and Kobayashi, S., 2016, Characterization of structure of single particles from various automobile engines under steady-state conditions: Aerosol Science and Technology, 50(10), 1055-1067.
12
Giechaskiel, B., Ntziachristos, L., Samaras, Z., Scheer, V., Casati, R., and Vogt, R., 2005, Formation potential of vehicle exhaust nucleation mode particles on-road and in the laboratory: Atmospheric Environment, 39(18), 3191-3198.
13
Halek, F., Kavouci, A., and Montehaie, H., 2004, Role of motor-vehicles and trend of air borne particulate in the Great Tehran area, Iran: International Journal of Environmental Health Research, 14(4), 307-313.
14
Hallett, J., and Mossop, S.C., 1974, Production of secondary ice particles during the riming process: Nature, 249(5452), p. 26.
15
Kireeva, E.D., Popovicheva, O.B., Persiantseva, N.M., Timofeyev, M.A., and Shonija, N.K., 2009, Fractionation analysis of transport engine-generated soot particles with respect to hygroscopicity: Journal of Atmospheric Chemistry, 64(2-3), 129-147.
16
Liati, A., Schreiber, D., Dasilva, Y.A.R., and Eggenschwiler, P.D., 2018, Ultrafine particle emissions from modern Gasoline and Diesel vehicles: An electron microscopic perspective: Environmental Pollution, 239, 661-669.
17
Liati, A., Schreiber, D., Eggenschwiler, P.D., Dasilva, Y.A.R., and Spiteri, A.C., 2016, Electron microscopic characterization of soot particulate matter emitted by modern direct injection gasoline engines: Combustion and Flame, 166, 307-315.
18
Liati, A., Spiteri, A., Eggenschwiler, P.D., and Vogel-Schäuble, N., 2012, Microscopic investigation of soot and ash particulate matter derived from biofuel and diesel: implications for the reactivity of soot: Journal of Nanoparticle Research, 14(11), 1224.
19
Luque, M.Y., Bürgesser, R., and Avila, E., 2016, Thunderstorm graupel charging in the absence of supercooled water droplets: Quarterly Journal of the Royal Meteorological Society, 142(699), 2418-2423.
20
Pedernera, D.A., and Ávila, E.E., 2018, Frozen droplets aggregation at temperature below −40° C: Journal of Geophysical Research: Atmospheres, 123(2), 1244-1252.
21
Santachiara, G., Belosi, F., and Prodi, F., 2014, The mystery of ice crystal multiplication in a laboratory experiment: Journal of the Atmospheric Sciences, 71(1), 89-97.
22
Saunders, C.P.R., and Hosseini, A.S., 2001, A laboratory study of the effect of velocity on Hallett–Mossop ice crystal multiplication: Atmospheric Research, 59, 3-14.
23
Saunders, C.P.R., Keith, W.D., and Mitzeva, R.P., 1991, The effect of liquid water on thunderstorm charging: Journal of Geophysical Research: Atmospheres, 96(D6), 11007-11017.
24
Schaefer, V.J., 1941, A method for making snowflake replicas: Science, 93(2410), 239-240.
25
Varela, G.G.A., Castellano, N.E., and Ávila, E.E.,
26
2009, Formation and sublimation of ice structures over cylindrical collectors: International Journal of Heat and Mass Transfer, 52(21-22), 5167-5172.
27
Young, K.C., 1993, Microphysical Processes in Clouds: Oxford University Press
28
ORIGINAL_ARTICLE
انتخاب ویژگی و پیشبینی باد گاستی با شبکه عصبی پرسپترون چندلایهای در ایستگاه خودکار فرودگاهی
در این مقاله ابتدا با بررسی هوای حاضر گزارشهای متار، بازه زمانی بیشترین وقوع ناپایداری ایجادکننده باد گاستی (جستی) شناسایی شد. سپس با استانداردسازی دادهها به بازه 1/0 تا 9/0، ویژگیهای مرتبط با جهت و سرعت باد جستی انتخاب شد. روشهای انتخاب ویژگی در این پژوهش، اطلاعات متقابل و جستجوی پیدرپی پیشرو شناور با الگوریتم طبقهبندی k نزدیکترین همسایگان هستند. ویژگیهای انتخابی برای پیشبینی سرعت باد با روش اول، متغیرهای سرعت باد لحظهای شامل کمینه، میانگین و بیشینه سرعت باد در دو دقیقه و میانگین و بیشینه سرعت باد در ده دقیقه در همان باند هستند. ویژگیهای انتخابی برای جهت باد با روش اول، متغیرهای جهت باد لحظهای یعنی کمینه، میانگین و بیشینه جهت باد در دو دقیقه و کمینه، میانگین و بیشینه جهت باد در ده دقیقه در همان باند هستند. ویژگیهای انتخابی با روش دوم برای سرعت باد شامل انحراف جهت باد در ده دقیقه گذشته در باند میانی و فشار لحظهای در هر سه باند است. انحراف جهت باد در ده دقیقه گذشته در باند 11، در باندهای 29 و میانی مشترک هستند. ویژگی چهارم در باندهای 29 و میانی، متغیر بیشینه سرعت باد در ده دقیقه مربوط به همان باند است. در باند 11 علاوهبر ویژگیهای مشترک، متغیرهای بیشینه سرعت باد در ده دقیقه در باند 11 و انحراف جهت باد در ده دقیقه گذشته در باند 29 دیده میشود. ویژگیهای انتخابی برای جهت باد از تنوع بیشتری برخوردار هستند.
در مرحله نهایی، ویژگیهای انتخابی به شبکه عصبی پرسپترون چندلایه در حالتهای مختلف داده شد. نتایج خروجی مدل برای پیشبینی جهت و سرعت باد جستی مقایسه و بهترین مدل برای پیشبینی سرعت باد جستی، شبکه با همبندی 1-2-4-4، نرخ یادگیری 1/0 و آستانه آغازین 5/0 برای وزن هر نرون انتخاب شد. برای جهت باد، شبکه با همبندی 1-3-6-6، نرخ یادگیری 1/0 و آستانه آغازین 5/0 مناسب است. عملکرد شبکه عصبی پرسپترون چندلایهای در پیشبینی سرعت باد بهتر است.
https://www.ijgeophysics.ir/article_97113_a91b8c8024c08603f9417f3e72d2a320.pdf
2019-09-23
33
52
باد گاستی
انتخاب ویژگی
اطلاعات متقابل
جستجوی پیدرپی پیشرو شناور
شبکه عصبی پرسپترون چند-لایه
ایستگاه خودکار فرودگاهی
فریده
حبیبی
fhabibi@ut.ac.ir
1
استادیار، گروه فیزیک فضا، موسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران
LEAD_AUTHOR
اشرفی، خ.، هشیاریپور، غ. ع.، نجار اعرابی، ب.، کشاورزی شیرازی، ه.، 1388، پیشبینی روزانه غلظت کربنمنواکسید با استفاده از مدل تلفیقی انتخاب پیشرو عصبی فازی براساس تحلیل پایداری جو: مجله فیزیک زمین و فضا، 38(2)، 183-201.
1
حبیبی ف.، مزرعه فراهانی، م.، مشیری، ب.، نوحهگر، ا.، کلهر، ا.، 1390، اصلاح پیشبینی فرایند طوفان حارهای با انتخاب ویژگیهای مؤثر: مجله ژئوفیزیک ایران، 5(3)، 67-82.
2
روحی، ا. ر.، نظامآبادیپور، ح.، 1396، یک روش انتخاب ویژگی ترکیبی برای دادههای با بعد بالا مبتنی بر خرد جمعی: نشریه مهندسی برق و مهندسی کامپیوتر ایران، ب- مهندسی کامپیوتر، سال 15(شماره 4)، 294-283.
3
عرب عامری، م.، حبیبی، ف.، کلهر، ا.، 1393، پیشبینی سرعت باد با استفاده از شبکه عصبی پرسپترون چندلایه در فرودگاه مهرآباد: مجموعه مقالات شانزدهمین کنفرانس ژئوفیزیک ایران، 117-122.
4
قوامی، ز.، عارفی، ح.، بیگدلی، ب.، جانعلیپور، م.، 1396، بررسی جامع بر روی روشهای طبقهبندی غیرپارامتریک بهمنظور تفکیک عوارض شهری با استفاده از تلفیق دادههای لایدار و تصویر هوایی با توان تفکیک مکانی بسیار بالا: نشریه مهندسی فناوری اطلاعات مکانی، 5(3)، 97-77.
5
شعبانی،ر.، 1393، مروری بر الگوریتمهای تکاملی برای حل مسئله انتخاب ویژگی: سومین کنفرانس ملی ایدههای نو در مهندسی برق، 6 و 7 دی ماه 1393، دانشگاه آزاد واحد اصفهان (خوراسگان)، 749-741.
6
انتظاری، ع. ر.، حدادنیا، ج.، جعفرزاده، م.، کوروندی، ا.، 1390، ارائه یک شبکه عصبی MLP بهمنظور پیشبینی یخبندان در استان کرمانشاه: مطالعات جغرافیایی مناطق خشک، 1(3)، 59-71.
7
مقصودی، م.، قزوینی، م.، 1397، کاربرد الگوریتمهای فرا ابتکاری در کاهش ابعاد و انتخاب ویژگی: سومین کنفرانس بینالمللی ترکیبات، رمزنگاری و محاسبات، دانشگاه علم و صنعت ایران، http://i4c.iust.ac.ir
8
Chandra Blessie, E., and Karthikeyan, E., 2012, Sigmis: A feature selection algorithm using correlation based method: Journal of Algorithms and Computational Technology, 6(3), 385-394.
9
Chandrashekar, G., and Ferat, S., 2014, A survey on feature selection methods: Computers and Electrical Engineering, 40, 16-28.
10
Erdil, A., and Arcaklioglu, E., 2013, The prediction of meteorological variables using artificial neural network: Neural Computing and Applications, 22(7–8), 1677–1683.
11
Guyon, I. and Elisseeff A., An introduction to variable and feature selection, Journal of Machine Learning Research, 2003, (3), 1157–1182.
12
Han Jiawei, J. P., and Kamber, M., 2012, Data Mining: Concepts and Techniques, 3rd edition: Morgan Kaufmann Publishers, ISBN 978-0-12-381479-1.
13
Jianyu, M., and Niu, L., 2016, A Survey on Feature Selection: Procedia Computer Science, 91, 919–926.
14
Keller, J. M., Liu, D., Fogel, D. B., 2016, Fundamentals of Computational Intelligence: Neural Networks, Fuzzy Systems and Evolutionary Computation, Wiley, 2016, 1-366
15
Kohavi, R., and John, G. H., 1997, Wrappers for feature subset selection: Artificial Intelligence, 97(1-2), 273–324.
16
Luca, M., Orione, F., Taormina, R., and Pasero, E., 2010, A feature selection method for air quality forecasting: ICANN (3), 489-494.
17
Lutu, P., and Engelbrecht, A. P., 2010, A decision rule-based method for feature selection in predictive data mining: Expert Systems with Applications, 37(1), 602-609.
18
Pohjalainena, J., Räsänena, O., and Kadiogluba, S., 2015, Feature selection methods and their combinations in high dimensional classification of speaker likability, intelligibility and personality traits: Computer, Speech and Language, 29(1), 145–171.
19
Theodoridis, S., and Koutroumbas, K., 2003, Pattern Recognition, 2nd ed.: Academic Press.
20
Vergara, J. R., and Pablo, E., 2014, A review of feature selection methods based on mutual information: Neural Computing and Applications, 24(1), 175–186, DOI 10.1007/s00521-013-1368-0.
21
ORIGINAL_ARTICLE
معرفی و مقایسه عملکرد دو پایگاه جهانی داده بازتحلیل در برآورد دمای هوای روزانه بیشینه، کمینه و میانگین (مطالعه موردی: حوضه آبریز رودخانه حله)
تعیین دمای هوا در بسیاری از محاسبات ترازنامه آب و انرژی، مدلسازی هیدرولوژیکی و مطالعات هواشناسی و کشاورزی نقش مهمی دارد. پژوهش حاضر با هدف معرفی دو پایگاه بازتحلیل داده هواشناسی ECMWF و MERRA و ارزیابی عملکرد آنها در برآورد دمای هوای بیشینه، کمینه و میانگین روزانه انجام شد. به این منظور، اطلاعات روزانه دمای بیشینه، کمینه و میانگین دوازده ایستگاه اندازهگیری دما در سطح حوضه آبریز رودخانه حله واقع در جنوب ایران و کرانههای خلیج فارس برای دوره آماری 2003 تا 2016 به مدت 14 سال (5114) روز اخذ و برای ارزیابی آنها از معیارهای آماری ضریب همبستگی (CC)، میانگین خطا (ME) و مجذور میانگین مربعات خطا (RMSE) استفاده شد. نتایج نشان میدهد میزان انطباق اطلاعات پایگاههای داده بازتحلیل در هر سه پارامتر دمایی بیشینه، کمینه و میانگین مناسب است، اما پایگاه داده ECMWF نسخه ERA-Interim نسبت به پایگاه داده MERRA نسخه 2 بسیار مناسبتر است بهطوری که ضریب همبستگی برای همه مؤلفههای دمایی بیشینه، کمینه و میانگین بیشتر از 9/0 است. نتایج این تحقیق نشان میدهد عملکرد هر دو پایگاه داده در برآورد دمای میانگین نسبت به دمای بیشینه و کمینه بهتر است. همچنین هر دو پایگاه داده در برآورد دادههای دمای بیشینه، کمبرآورد و در برآورد دادههای کمینه، بیشبرآورد هستند. دمای هوای میانگین روزانه، ثبت شده در پایگاه داده ECMWF نسخه ERA-Interim مقداری گرمتر (4/0+ درجه سلسیوس) برآورد میشود درحالیکه پایگاه داده MERRA نسخه 2 دمای هوای میانگین را سردتر (5/0- درجه سلسیوس) تخمین میزند. درنهایت، در مقیاس روزانه، استفاده از پارامترهای روزانه دمای هوا (بیشینه، کمینه و میانگین) پایگاه داده ECMWF نسخه ERA-Interim نسبت به پایگاه داده MERRA نسخه 2 در اولویت است. همچنین پیشنهاد میشود با توجه به عملکرد مناسب پایگاههای داده بازتحلیل و بهرهمندی از مزایای آن، سایر متغیرهای هواشناسی نیز ارزیابی شوند.
https://www.ijgeophysics.ir/article_97283_094dcc35533a662ebe74364256e25636.pdf
2019-09-23
53
68
دمای هوا
ارزیابی
پایگاه داده بازتحلیل
ECMWF
MERRA
حوضه آبریز رودخانه حله
ایران
سعید
شکری کوچک
saeed.shokri88@yahoo.com
1
دانشجوی دکتری منابع آب دانشکده مهندسی علوم آب دانشگاه شهید چمران اهواز ، ایران
LEAD_AUTHOR
علی محمد
آخوند علی
aliakh@scu.ac.ir
2
استاد گروه هیدرولوژی و منابع آب دانشکده مهندسی علوم آب دانشگاه شهید چمران اهواز، ایران
AUTHOR
محمد رضا
شریفی
sharifi3010@gmail.com
3
استادیار گروه هیدرولوژی و منابع آب دانشکده مهندسی علوم آب دانشگاه شهید چمران اهواز، ایران
AUTHOR
احمدی، م.، داداشی رودباری، ع. ع.، احمدی، ح.، علی بخشی، ز.، 1397، واکاوی ساختار دمای ایران مبتنی بر برونداد پایگاه داده مرکز پیشبینی میانمدت هواسپهر اروپایی (ECMWF) نسخه ERA-Interim: پژوهشهای جغرافیایی طبیعی، 50(2)، 353- 372.
1
اسمعیلی، س.، خوشخو، ی.، عبداللهی، م.، 1397، برآورد پارامترهای روزانه و ماهانه دمای هوا در استان کردستان با بهکارگیری تصاویر سنجنده MODIS: تحقیقات آب و خاک ایران، 49(2)، 413- 423.
2
امامیفر، س.، رحیمی خوب، ع.، نوروزی، ع. ا.، 1393، ارزیابی مدل درختی M5 و شبکه عصبی مصنوعی برای برآورد متوسط روزانه دمای هوا براساس دادههای دمای سطح زمین سنجنده مودیس: تحقیقات آب و خاک ایران، 45(4)، 423-433.
3
پرویز، ل.، خلقی، م.، ولیزاده، خ.، 1390، تخمین دمای هوا با استفاده از روش شاخص پوشش گیاهی- دما TVX: مجله علوم و فنون کشاورزی و منایع طبیعی، علوم آب و خاک، 15(56)، 21-33.
4
حاجی آقاجانی، س.، وثوقی، ب.، 1395، مقایسه دادههای بازتحلیل ERA-Interim و حسگر MERIS در کاهش اثر لایة وردسپهر موجود در میدانهای سرعت جابهجایی تداخلسنجی راداری: فیزیک زمین و فضا، 42(3)، 607-618.
5
رضیئی، ط، ستوده، ف.، 1396، بررسی دقت مرکز اروپایی پیشبینی میان مدت جوی (ECMWF) در پیشبینی بارش مناطق گوناگونی اقلیمی ایران، فیزیک زمین و فضا، 43 (1)، 133-147.
6
عباسزاده مزرجی، ز.، 1390، ارزیابی دقت روشهای معمول برآورد دادههای اقلیمی (مطالعه موردی: دما و بارش در حوضه آبریز کشفرود مشهد): پایاننامه کارشناسی ارشد، دانشگاه فردوسی مشهد.
7
گزارش اطلس منابع آب حوضه آبریز حله، 1390، شرکت آب منطقهای فارس.
8
لشکری، ا.، بنایان، م.، کوچکی، ع. ر.، علیزاده، ا.، سای چون، ی.، کی پارک، س.، 1394، بررسی امکانسنجی استفاده از ساخت دادههای ناقص گمشده موجود در دادههای ایستگاههای سینوپتیک (مطالعه موردی: دشت مشهد): آب و خاک، 29(6)، 1749-1758.
9
مروتی، ر.، شکوهی، ع. ا.، 1393، ارزیابی روشهای مختلف درونیابی دادههای دمایی NCEP/NCAR در سطح حوضههای درجه 2 کشور ایران: فصلنامه علمی پژوهشی مهندسی آبیاری و آب، 5(18)، 17-31.
10
میری، م.، عزیزی، ق.، محمدی، ح.، پور هاشمی، م.، 1396، معرفی و ارزیابی مدل جهانی همسانسازی دادههای زمینی با دادههای مشاهدهای در ایران: مجله اطلاعات جغرافیایی، 26(104)، 5-17.
11
میری، م.، عزیزی، ق.، خوش اخلاق، ف.، رحیمی، م.، 1395،
12
ارزیابی آماری دادههای شبکهای بارش و دما با دادههای مشاهدهای در ایران: علوم و مهندسی آبخیزداری ایران، 10(35)، 39-50.
13
یاسمی، ح.، 1396، ارزیابی دقت برآورد دماهای فرین پایگاههای جهانی دما بر روی ایران: پایاننامه کارشناسی ارشد، دانشگاه کردستان.
14
Balsamo, G., Albergel, C., Beljaars, A., Boussetta, S., Brun, E., Cloke, H., Dee, D., Dutra, E., Muñoz-Sabater, J., Pappenberger, F., de Rosnay, P., Stockdale, T. and Vitart, F., 2015, ERA-Interim/Land: a global land surface reanalysis data set, Hydrol. Earth Syst. Sci., 19, 389-407.
15
Dee, D. P., Uppala, S. M., Simmons, A. J., Berrisford, P., Poli, P., Kobayashi, S., Andrae, U., ... , and Vitart, F., 2011, The ERA-Interim reanalysis: configuration and performance of the data assimilation system: Quarterly Journal of the Royal Meteorological Society, 137, 553-597.
16
Dhanya, C. T., and Villarini, G., 2017, An investigation of predictability dynamics of temperature and precipitation in reanalysis datasets over the continental United States: Atmospheric Research, 183, 341-350, http://dx.doi.org/10.1016/j.atmosres.2016.09.017.
17
European Centre for Medium-Range Weather Forecasts (ECMWF), 2013, User Guide European center for Medium-Range Weather Forecasts (ECMWF).
18
Fan, Y., and Van Den Dool, H., 2008, A global monthly land surface air temperature analysis for 1948-persent: Geophysical Research, 113, doi: 10.1029/2007/JD008470.
19
Gao, L., Bernhardt, M., and Schulz, K., 2012, Elevation correction of ERA-Interim temperature data in complex terrain: Hydrology and Earth System Sciences, 16, 4661-4673, doi: 10.5194/hess-16-4661-2012.
20
Gao, L., Wei, J., Wang, L., Bernhardt, M., Schulz, K., and Chen, H., 2018, A high- resolution air temperature data set for the Chinese Tian Shan in 1979-2016: Earth System Science Data, 10, 2097-2114, doi: 10.5194/essd-10-2097-2018.
21
Huld, T., and Pascua, I. P., 2015, Spatial downscaling of 2-meter air temperature using operational forecast data: Energise, 8, 2381-2411, doi: 10.3390/en8042381.
22
Ji, L., Senay, G. B., and Verdin, J. P., 2015, Evaluation of the Global Land Data Assimilation System (GLDAS) air temperature data products: Journal of Hydrometeorology, 16, 2463-2480, doi: 10.1175/JHM-D-14-0230.1.
23
Jones, R. W., Renfrew, I. A., Orr, A., Webber, B. G. M., Holland, D. M., and Lazzara, M. A., 2016, Evaluation of four global reanalysis products using in situ observations in the Amundsen Sea Embayment, Antarctica: Journal of Geophysical Research, Atmosphere, 121, 1-18, doi:10.1002/2015JD024680.
24
Lader, R., Bhatt, U., Walsh, J. E., Rupp, T. S., and Bieniek, P. E., 2016, Two-Meter temperature and precipitation from atmospheric reanalysis evaluated for Alaska: Journal of Applied Meteorology and Climatology, 55, 901-922, https://doi.org/10.1175/JAMC-D-15-0162.1.
25
Liston, G. E., and Elder, K., 2006, A meteorological distribution system for high–resolution terrestrial modeling (micromet): Journal of Hydrometeorology, 7, 217-234.Real-Rangel, R., Pedrozo-Acuña, A., Breña-Naranjo, J. A., and Alcocer-Yamanaka, V., 2017, Evaluation of the hydroclimatological variables derived from GLDAS-1, GLDAS-2 and MERRA-2 in Mexico: E-proceedings of the 37th IAHR World Congress August 13–18, Kuala Lumpur, Malaysia.
26
Rienecker, M. M., Suarez, M. J., Gelaro, R., Todling, R., Bacmeister, J. T., Liu, E., Bosilovich, M. G., ... , and Woollen, J., 2011, MERRA: NASA’s modern-era retrospective analysis for research and applications: Journal of Climate, 24, 3624–3648, doi:10.1175/JCLI-D-11-00015.1.
27
RYU, J. H., Han, K. S., and Park, E. B., 2013, Accuracy evaluation of near-surface air temperature from ERA-Interime reanalysis and satellite–based data according to elevation: Remote Sensing, 29(6), 595-600, doi:10.7780/Kjrs.2013.29.6.2.
28
Shah, R, and Mishra, V., 2014, Evaluation of the reanalysis products for the Monsoon season droughts in India: Journal of Hydrometeorology, 15, 1575-1591, doi: 10.1175/JHM-D-13-0103.1.
29
Wang, A, and Zeng, X., 2012, Evaluation of multireanalysis products with in situ observations over the Tibetan Plateau: Journal of Geophysical Research, 117(1-12), doi:10.1029/2011JD016553.
30
Winter, J. M., Beckage, B., Bucini, G., Horton, R. M., and Clemins, P. J., 2016, Development and evaluation of high-resolution climate simulations over the mountainous Northeastern United States: Hydrometeorology, 17, 881-896, doi:10.1175/JHM-D-15-0052.1. International 194, 249-268.
31
ORIGINAL_ARTICLE
شبیهسازی سهبعدی جریانهای خلیج فارس در آبهای عمیق و ساحلی
در این تحقیق تلاش میشود یک سامانه پیشبینی جریان توسعه بیابد و راهاندازی شود. در این سامانه با درنظر گرفتن واداشتهای اصلی شامل جزر و مد و میدان باد سطحی، تخمین مناسبی از جریانهای خلیج فارس بهدست میآید و عملکرد سامانه در آبهای کمعمق و عمیق توأمان بررسی میشود. در این راستا، نخست با بهکارگیری مدل FVCOM، سامانه شبیهسازی راهاندازی شده است. سپس مدل برپا شده با اعمال تراز جزر و مدی و میدان باد سطحی در بازهای که داده میدانی موجود بوده، برای تمام خلیج فارس اجرا شده است. در ادامه، با مقایسه تراز سطح آب و اندازه سرعت جریان در چند ایستگاه، مدل برای پارامترهای ضریب زبری بستر، اندازه شبکه، تعداد ترازهای سیگما در راستای قائم، واسنجی و صحتسنجی شده و اثر اعمال میدان باد سطحی نیز بررسی شده است. سرانجام، بهترین شرایط برای اجرای مدل انتخاب و نتایج ایستگاههای مختلف بررسی شده است. مقایسه نتایج شبیهسازی جریان با دادههای مشاهداتی، میزان موفقیت مدل را در شبیهسازی جریان نشان میدهد. دادههای اندازهگیری و نتایج شبیهسازی سهبعدی جریان با مدل FVCOM در خلیج فارس برای اندازه سرعت جریان و تراز سطح آب، همخوانی خوبی با هم دارند. با انجام واسنجی، مناسبترین اندازه شبکه برای مدل خلیج فارس تخمین زده شده و مقادیر مناسب ضریب زبری بستر برای آب کمعمق و عمیق بهدست آمده است. نتایج این شبیهسازی نشان میدهد مدل حاضر در هر دو بخش آب کمعمق و عمیق از دقت مناسبی برخوردار است.
https://www.ijgeophysics.ir/article_96559_dd4c533531287599c9cf6fc31cf967c1.pdf
2019-09-23
69
85
لیج فارس
جریان و تراز آب
شبیهسازی سهبعدی هیدرودینامیک
مدل FVCOM
جریانهای آب عمیق
شکوفه
رزاقی
shokufeh.razzaghi@ut.ac.ir
1
دانشآموخته کارشناسی ارشد، گروه فیزیک فضا، موسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران
AUTHOR
سید عباس
حق شناس
sahaghshenas@ut.ac.ir
2
استادیار، گروه فیزیک فضا، موسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران
AUTHOR
سرمد
قادر
sghader@ut.ac.ir
3
دانشیار، گروه فیزیک فضا، موسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران
LEAD_AUTHOR
دانیل
یازجی
daniel.yazgi@ut.ac.ir
4
محقق پسادکتری، گروه فیزیک فضا، موسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران
AUTHOR
ادریس
دلخوش
edrisdelkhosh@ut.ac.ir
5
دانشآموخته کارشناسی ارشد، شرکت دانش بنیان ژرف دریا پژوهش پارس، تهران، ایران
AUTHOR
عارف
فرهنگ مهر
aref.farhangmehr@gmail.com
6
--
AUTHOR
حاج رسولیها، ا.، حسن زاده، ا.، رضایی لطیفی، ع.، 1395، نقش فرایندهای فیزیکی بر نحوه توزیع آلایندههای نفتی در خلیج فارس: پژوهشهای اقلیمشناسی، 15، 93-106.
1
شرکت مهندسین مشاور آب و محیط خاورمیانه، 1392، مطالعات اندازهگیری میدانی حد فاصل جزایر کیش و قشم.
2
قادر، س.، یازجی، د.، سلطانپور، م.، نعمتی، م. ح.، 1395، بهکارگیری یک سامانه همادی توسعه داده شده برای مدل WRF جهت پیشبینی میدان باد سطحی در محدوده خلیج فارس: مجله هیدروفیزیک، 1، 41-54.
3
Alosairi, Y., Imberger, J., and Falconer, R. A., 2011, Mixing and flushing in the Persian Gulf (Arabian Gulf): Journal of Geophysical Research: Oceans, 116(C3).
4
Azizpour, J., Chegini, V., Khosravi, M., and Einali, A., 2014, Study of the physical oceanographic properties of the Persian Gulf, strait of Hormuz and gulf of Oman based on PG-GOOS CTD measurements: Journal of the Persian Gulf, 5(18), 37-48.
5
Baird and JWERC, 2009, Final Report: Tidal model of the Persian Gulf. monitoring and modeling studies of Iranian coastline, phases II and III, Port and Maitime Organization (PMO).
6
Chen, C., Beardsley, R. C., Cowles, G., Qi, J., Lai, Z., Gao, G., Stuebe, D., Xu, Q., Xue, P., Ge, J., and Ji, R., 2013, An unstructured grid, finite-volume community ocean model FVCOM user manual: Department of Fisheries Oceanography, SMAST.
7
ETOPO2v2, 2006. doi: 10.7289/V5J1012Q.
8
Ezam, M., Bidokhti, A. A., and Javid, A. H., 2010, Numerical simulations of spreading of the Persian Gulf outflow into the Oman Sea: Ocean Science, 6(4), 887.
9
Hagen, S. C., Zundel, A. K, and Kojima, S., 2006, Automatic, unstructured mesh generation for tidal calculations in a large domain: International Journal of Computational Fluid Dynamics, 20(8), 593-608.
10
Haghshenas, S. A., Razavi Arab, A., Bakhtiary, A., Jedari Attari, M., Risk, M. J., 2016,
11
Decadal evolution of Mond River Delta, the Persian Gulf, in Vila-Concejo, A., Bruce, E., Kennedy, D. M., and McCarroll, R. J., eds.,Proceedings of the 14th International Coastal Symposium (Sydney, Australia): Journal of Coastal Research, Special Issue, 75, 805-809, Coconut Creek (Florida), ISSN 0749-0208.
12
Kämpf, J., and Sadrinasab, M., 2006, The circulation of the Persian Gulf: a numerical study: Ocean Science, 2(1), 27-41.
13
Memari, S., Siadatmousavi, M. S., 2018, Numerical modeling of heat and Brine discharge near Qeshm Desalination Plant: International Journal of Coastal and Offshore Engineering, 2(1), 27-35.
14
MEWE, 2014, Current modelling report, Frooz-B field development, 40 p.
15
Mortazavi, M. S., Hamzei, S., Motallebi, A. A., Kim, H. G., Reguera, B., Hallegraeff, G. M., Lee, C. K., Han, M. S., and Choi, J. K., 2012, Preliminary studies on HAB monitoring in the Persian Gulf and Oman Sea using remote
16
sensing data from ocean color sensor MODIS: Harmful Algae, 71-73.
17
Reynolds, R. M., 1993, Physical oceanography of the Gulf, Strait of Hormuz, and the Gulf of Oman—Results from the Mt Mitchell expedition: Marine Pollution Bulletin, 27, 35-59.
18
Swift, S. A., and Bower, A. S., 2003, Formation and circulation of dense water in the Persian/Arabian Gulf: Journal of Geophysical Research: Oceans, 108(C1).
19
UMASSD Technical Report-13-0701, University of Massachusetts-Dartmouth.
20
Vic, C., Roullet, G., Capet, X., Carton, X., Molemaker, M. J., and Gula, J., 2015, Eddy‐topography interactions and the fate of the Persian Gulf Outflow: Journal of Geophysical Research: Oceans, 120(10), 6700-6717.
21
Yao, F., and Johns, W. E., 2010, A HYCOM modeling study of the Persian Gulf: 1. Model configurations and surface circulation: Journal of Geophysical Research: Oceans, 115(C11).
22
ORIGINAL_ARTICLE
استفاده از سامانه استنتاج فازی (FIS) برای مدلسازی محتوای الکترون کلی یونسپهر در ایران
در این مقاله مقدار محتوای الکترون کلی (TEC) لایه یونسپهر با استفاده از سامانه استنتاج فازی (FIS) مدلسازی شده است. نوآوری اصلی این پژوهش، مدلسازی سری زمانی تغییرات TEC در ایران با استفاده از FIS است. برای آموزش شبکه فازی، از الگوریتم آموزش بهینهسازی انبوه ذرات هیبرید (BP-PSO) استفاده شده است. این الگوریتم آموزش، در مراحل اولیه جستجوی جواب از الگوریتم بهینهسازی انبوه ذرات (PSO) و در نزدیکی جواب بهینه از الگوریتم پسانتشار خطا (BP) بهره میبرد. از مشاهدات سال 2015 ایستگاه GPS تهران، که یکی از ایستگاههای شبکه جهانی IGS است، جهت ارزیابی مدل پیشنهادی استفاده شده و نتایج کار با نتایج خروجیهای شبکه جهانی IGS (GIM-TEC) و مدل شبکه عصبی مصنوعی (ANN) با ساختار 2-18-1 مقایسه شده است. جهت ارزیابی دقت و صحت مدل شبکه فازی ارائهشده در این مقاله، از هر فصل، پنج روز برای داده آزمون انتخاب شده و اعتبارسنجی مدل در این بیست روز صورت گرفته است. براساس نتایج، میانگین خطای نسبی محاسبهشده در بیست روز مورد آزمون برای مدل FIS، ANN و GIM در مقایسه با GPS بهترتیب برابر با 25/11%، 68/19% و 03/16% است. همچنین میانگین خطای مطلق محاسبهشده برای مدل FIS، ANN و GIM در مقایسه با GPS در بیست روز مورد آزمون بهترتیب برابر با TECU 32/1، TECU 33/3 و TECU98/1 است. ضریب همبستگی محاسبهشده در بیست روز مورد آزمون برای FIS، ANN و GIM در مقایسه با GPS بهترتیب برابر با 9474/0، 6960/0 و 831/0 بهدستآمده است. موقعیت ایستگاه GPS تهران براساس TEC حاصل از سه مدل FIS، ANN و GIM و با استفاده از تعیین موقعیت نقطهای دقیق (PPP) محاسبه شده است؛. طبق این محاسبه، مدل شبکه فازی نسبت به دو مدل دیگر، خطای کمتری در تعیین موقعیت ایستگاه تهران دارد. نتایج تحلیلها حاکی از برتری مدل FIS در مقایسه با مدل ANN و GIM است. با استفاده از مدل پیشنهادی این پژوهش میتوان سری زمانی محتوای الکترونی کلی یونسپهر را با دقت و صحت زیاد مدلسازی و بررسی کرد. این مدل میتواند جایگزینی مناسب برای خروجیهای شبکه جهانی IGS در منطقه ایران باشد.
https://www.ijgeophysics.ir/article_99248_510ece25088635ddf30d92f7e2b1a192.pdf
2019-09-23
86
98
منطق فازی
شبکه عصبی مصنوعی
GPS
یونسپهر
TEC
میر رضا
غفاری رزین
mr.ghafari@arakut.ac.ir
1
استادیار، گروه مهندسی نقشهبرداری، دانشکده مهندسی علوم زمین، دانشگاه صنعتی اراک، ایران
LEAD_AUTHOR
میلاد
مردانه
miladmardaneh@yahoo.com
2
دانشجوی کارشناسی ارشد، گروه مهندسی نقشهبرداری، دانشگاه آزاد اسلامی واحد اهر، ایران
AUTHOR
اکبرزاده توتونچی، م، ر.، 1386، محاسبات نرم: جزوه کلاسی، دانشگاه فردوسی مشهد.
1
قادر، س.، کرمی، خ.، رایین، ا.، 1389، اعتبارسنجی مدل یونسپهری IRI2007 در یک بازه زمانی کمینه فعالیتهای خورشیدی در منطقه تهران با استفاده از دادههای ایستگاه یونسپهر (یونسفر) مؤسسه ژئوفیزیک دانشگاه تهران: مجله ژئوفیزیک ایران، 5(2)، 16-27.
2
Akhoondzadeh, M., 2014, Investigation of GPS-TEC measurements using ANN method indicating seismo-ionospheric anomalies around the time of the Chile (Mw=8.2) earthquake of 01 April 2014: Advance in Space Research, 54(9), 1768-1772.
3
Amerian, Y., Hossainali, M., Voosoghi, B., and Ghaffari Razin, M. R., 2010, Tomographic reconstruction of the ionospheric electron density in terms of wavelets: International Journal of Aerospace Science and Technologies, 7, 19-29.
4
Ciraolo, L., Azpilicueta, F., Brunini, C., Meza, A., and Radicella, S. M., 2007, Calibration errors on experimental slant total electron content (TEC) determined with GPS: Journal of Geodesy, 81(2), 111–120.
5
Farzaneh, S., and Forootan, E., 2017, Reconstructing regional ionospheric electron density: A combined spherical slepian function and empirical orthogonal function approach: Surveys in Geophysics, 39(2), 289–309.
6
Fortier, N., Sheppard, J., and Pillai, K., 2012, Training artificial neural networks using overlapping swarm intelligence with local credit assignment: Soft Computing and Intelligent Systems (SCIS) and 13th International Symposium on Advanced Intelligent Systems (ISIS), 1420–1425, doi:10.1109/SCIS-ISIS.2012.6505078.
7
Ghaffari Razin, M. R., Voosoghi, B., and Mohammadzadeh, A., 2015, Efficiency of artificial neural networks in map of total electron content over Iran: Acta Geodaetica et Geophysica, 51(3), 541-555.
8
Ghaffari Razin, M. R., and Voosoghi, B., 2016, Modeling of ionosphere time series using wavelet neural networks (case study: N-W of Iran): Advances in Space Research, 58(1), 74-83.
9
Haykin. S., 1994, Neural Networks, A Comprehensive Foundation: Macmillan College Publishing Company, New York.
10
Komjathy, A., 1997, Global ionospheric total electron content mapping using the Global Positioning System, Ph.D. thesis, University of New Brunswick, Fredericton, New Brunswick, Canada.
11
Leandro, R., 2007, A new technique to TEC regional modeling using a neural network: Geodetic Research Laboratory, Department of Geodesy and Geomatics Engineering, University of New Brunswick, Fredericton, Canada.
12
Mars, P., Chen, J. R., and Nambiar, R., 1996, Learning Algorithms: Theory and Applications in Signal Processing, Control and Communications: CRC Press, Boca Raton, Florida.
13
Moon, Y., 2004, Evaluation of 2-dimensional ionosphere models for national and regional GPS networks in Canada: Master’s thesis, University of Calgary, Calgary, Alberta, Canada.
14
Orus, R., 2005, Improvement of global ionospheric VTEC maps by using Kriging interpolation technique: Journal of Atmospheric and Solar-Terrestrial Physics, 67, 1598–1609.
15
Sabzehee, F., Farzaneh, S., Sharifi, M. A., and Akhoondzadeh, M., 2018, TEC regional modeling and prediction using ANN method and single frequency receiver over IRAN: Annals of Geophysics, 61(1), GM103, 2018; doi: 10.4401/ag-7297.
16
Sayin, I., Arikan, F., and Arikan, O., 2008, Regional TEC mapping with random field priors and Kriging: Radio Science, 43(5), RS5012, doi: 10.1029/2007RS003786.
17
Schaer, S., 1999, Mapping and predicting the Earth’s ionosphere using the global positioning system: PhD thesis, Astronomical Institute, University of Berne, Switzerland.
18
Seeber, G., 2003, Satellite Geodesy: Foundations, Methods and Applications: Walter de Gruyter GmbH & Co., Berlin and New York, 53.
19
Takagi, T., and Sugeno, M., 1985, Fuzzy identification of systems and its applications to modeling and control: IEEE Transactions on Systems, Man and Cybernetics, 15(1), 116-132.
20
Wielgosz, P., Brzezinska, D., and Kashani, I., 2003, Regional ionosphere mapping with Kriging and multiquadratic method: Journal of Global Positioning Systems, 2, 48–55.
21
Zadeh, L. A., 1996, Fuzzy sets: Information and control, 8(3), 338-353.
22