پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,115,976 |
| تعداد دریافت فایل اصل مقاله | 97,220,440 |
برآورد میدان سرعت پوسته زمین با استفاده از شبکه عصبی مصنوعی و انترپولاسیون کریژینگ فراگیر (منطقه مورد مطالعه: شبکه ژئودینامیک کشور ایران) | ||
| فیزیک زمین و فضا | ||
| مقاله 8، دوره 42، شماره 1، خرداد 1395، صفحه 89-98 اصل مقاله (1.39 M) | ||
| شناسه دیجیتال (DOI): 10.22059/jesphys.2016.53831 | ||
| نویسندگان | ||
| میر رضا غفاری رزین* 1؛ بهزاد وثوقی2 | ||
| 1دانشگاه صنعتی خواجه نصیرالدین طوسی دانشکده نقشه برداری گروه ژئودزی | ||
| 2استاد گروه ژئودزی دانشکده نقشه برداری دانشگاه خواجه نصیرالدین طوسی | ||
| چکیده | ||
| در این مقاله از 2 روش شبکه عصبی مصنوعی (ANN) و درونیابی کریژینگ فراگیر جهت برآورد مکانی تغییرات سرعت پوسته زمین در ایران استفاده شده است. در هر 2 روش جهت تست و ارزیابی نتایج بدست آمده از 7 ایستگاه GPS که مقادیر سرعت آنها نسبت به صفحه اوراسیا معلوم بوده، استفاده شده است. میانگین خطای نسبی بدست آمده از این مقایسه 48/13+ درصد برای شبکه عصبی و 38/25+ درصد برای روش کریژینگ فراگیر در مولفه شمالی (VN) از 7 ایستگاه تست می باشد. برای مولفه شرقی (VE) میدان سرعت، میانگین خطای نسبی 12/18+ درصد برای شبکه عصبی و 61/28+ درصد برای روش کریژینگ فراگیر از ایستگاههای تست بدست آمده است. همچنین جذر خطای مربعی میانگین (RMSE) در روش شبکه عصبی مصنوعی برای مولفه شمالی1± میلیمتر و برای مولفه شرقی5/1± میلیمتر بدست آمده است. برای روش کریژینگ فراگیر در مولفه شمالی 8/2± میلیمتر و برای مولفه شرقی1/3± میلیمتر محاسبه شده است. نتایج بدست آمده نشاندهنده قابلیت و کارائی بالای روش شبکه های عصبی مصنوعی در برآورد مکانی میدان سرعت پوسته زمین در این منطقه می باشد. در مورد روش کریژینگ نتایج بیانگر این موضوع است که پراکندگی و تعداد نقاط مورد نیاز در مرحله آموزش و تعیین ضرایب در نتایج بدست آمده بسیار دخیل می باشند. | ||
| کلیدواژه‌ها | ||
| شبکه عصبی مصنوعی؛ درون یابی کریژینگ فراگیر؛ میدان سرعت؛ مشاهدات GPS | ||
| مراجع | ||
|
معماریان، ا. و جمور، ی.، 1392، بررسی کارایی شبکه‌های عصبی مصنوعی در تخمین سرعت نقاط ژئودتیک، پایان‌نامۀ کارشناسی ارشد، زمستان 1392. انصاری، ح. و داوری، ک.، 1386، پهنه‌بندی دورۀ خشک با استفاده از شاخص بارندگی استانداردشده در محیط GIS مطالعۀ موردی: استان خراسان، پژوهش‌های جغرافیایی، 60، تابستان 1386.
Bogusz, J., Klos, A., Grzempowski, P. and Kontny, B., 2013, Modelling the velocity field in a regular grid in the area of poland on the basis of the velocities of European permanent stations, Pure and Applied Geophysics, doi: 10.1007/s00024-013-0645-2.
Chen, R., 1991, On the horizontal crustal deformations in Finland, Helsinki, Finish Geodetic Institute.
Coukuyt, I., Dhaene, T. and Demeester, P, 2013, ooDace toolbox: a matlab Kriging toolbox, getting started.
Gullu, M., Yilmaz, I., Yilmaz, M. and Turgut, B., 2011, An alternative method for estimating densification point velocity based on back propagation artificial neural networks, Studia Geophysica et Geodaetica, 55(1), 73-86.
Ghaffari Razin, M. R. and Mohammadzadeh, A., 2015, 3-D crustal deformation analysis using isoparametric method and multi-layer artificial neural networks (Case Study: Iran), Engineering Journal of Geospatial Information Technolog, 2015; 2 (4) :1-15.
Ghaffari Razin M. R. Voosoghi, B. Mohammadzadeh, A., 2015, Efficiency of artificial neural networks in map of total electron content over Iran. Acta Geod Geophys, DOI 10.1007/s40328-015-0143-3.
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. doi: http://dx.doi.org/10.1016/j.asr. 2016.04.006.
Haykin, S., 1994, Neural networks, a comprehensive foundation, Macmillan College Publishing Company, New York.
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.
Mashhadi Hossainali, M., 2006, A comprehensive approach to the analysis of the 3Dkinematics of deformation, Ph.D. thesis, Geodesy, Darmstadt, University of Darmstadt.
Matheron, G., 1971, The theory of regionalized variables, and its applications, Centre de Geostatistique, Fontainebleau, Paris.
Moghtased-Azar, K. and Zaletnyik, P., 2009, Crustal velocity field modeling with neural network and polynomials, in: Sideris, M.G., (Ed.), Observing our changing Earth, International Association of Geodesy Symposia, 133, 809-816.
Norgaard, M., 1997, Neural network based system identification toolbox, Technical Report, 97-E-51, Department of Automation, Technical University of Denmark, Copenhagen, Denmark, 37p. Segal, P. and Matthews, M. V., 1988, Displacement calculations from geodetic data and the testing of geophysical deformation models, Joural of Geophys. Research, 93, 14 954-14 966.
Simpson, P. K., 1990, Artificial neural systems: foundations, paradigms, applications, and implementations, Pergamon Press, New York.
Stanley, J., 1990, Introduction to neural networks, 3rd edition, Sierra Madre, California Scientific Software.
VanGorp, S., Masson, F. and Chéry, J., 2006, The use of Kriging to interpolate GPS velocity field and its application to the Arabia-Eurasia collision zone, Geophysical Research Abstracts, 8, 02120.
Voosoghi, B., 2000, Intrinsic deformation analysis of the earth surface based on 3-D displacement fields derived from space geodetic measurements, PhD Thesis, Department of Geodesy and Geoinformatics, Stuttgart University
Yilmaz, M., 2013, Artificial neural networks pruning approach for geodetic velocity field determination, BCG - Boletim de Ciências Geodésicas. | ||
|
آمار تعداد مشاهده مقاله: 2,958 تعداد دریافت فایل اصل مقاله: 1,251 |
||