دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1
نویسندگان: Nasrin Nasrollahi (auth.)
سری: Springer Theses
ISBN (شابک) : 9783319120805, 9783319120812
ناشر: Springer International Publishing
سال نشر: 2015
تعداد صفحات: 83
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 6 مگابایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
کلمات کلیدی مربوط به کتاب بهبود الگوریتمهای بازیابی بارش مبتنی بر فروسرخ با استفاده از تصاویر ماهوارهای چند طیفی: علوم جوی، ژئوفیزیک و فیزیک محیطی، هواشناسی، فیزیک محیطی
در صورت تبدیل فایل کتاب Improving Infrared-Based Precipitation Retrieval Algorithms Using Multi-Spectral Satellite Imagery به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب بهبود الگوریتمهای بازیابی بارش مبتنی بر فروسرخ با استفاده از تصاویر ماهوارهای چند طیفی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این پایاننامه تخمین بارش ماهوارهای را از طریق ادغام رویکرد چند سنسوری و چند کانالی به الگوریتمهای تخمین بارش فعلی تغییر میدهد و خوانش دقیقتری از دادههای بارش از فضا ارائه میدهد.
داده های ماهواره ای برای تخمین بارش از فضا بر محدودیت مشاهدات زمینی از نظر در دسترس بودن در مناطق دور افتاده و اقیانوس ها و همچنین پوشش فضایی غلبه می کند. با این حال، دقت تخمینهای ماهوارهای هنوز نیاز به بهبود دارد.
رویکرد معرفیشده در این پایاننامه از مزایای ماهوارههای اخیر ناسا در رصد ابرها و بارش بهره میبرد. علاوه بر این، از تکنیکهای یادگیری ماشینی نیز برای بهترین استفاده از «دادههای بزرگ» سنجش از راه دور استفاده میشود. نتایج بهبود قابلتوجهی را در شناسایی مناطق بدون بارش و کاهش شناسایی نادرست بارش ارائه میکنند.
< /p>This thesis transforms satellite precipitation estimation through the integration of a multi-sensor, multi-channel approach to current precipitation estimation algorithms, and provides more accurate readings of precipitation data from space.
Using satellite data to estimate precipitation from space overcomes the limitation of ground-based observations in terms of availability over remote areas and oceans as well as spatial coverage. However, the accuracy of satellite-based estimates still need to be improved.
The approach introduced in this thesis takes advantage of the recent NASA satellites in observing clouds and precipitation. In addition, machine-learning techniques are also employed to make the best use of remotely-sensed "big data." The results provide a significant improvement in detecting non-precipitating areas and reducing false identification of precipitation.
Front Matter....Pages i-xxi
Introduction to the Current State of Satellite Precipitation Products....Pages 1-5
False Alarm in Satellite Precipitation Data....Pages 7-12
Satellite Observations....Pages 13-20
Reducing False Rain in Satellite Precipitation Products Using Cloudsat Cloud Classification Maps and Modis Multi-spectral Images....Pages 21-32
Integration of CloudSat Precipitation Profile in Reduction of False Rain....Pages 33-41
Cloud Classification and its Application in Reducing False Rain....Pages 43-63
Summary and Conclusions....Pages 65-68