view in publisher's site

A multilayer perceptron and multiclass support vector machine based high accuracy technique for daily rainfall estimation from MSG SEVIRI data

The current paper introduces a new multilayer perceptron (MLP) and support vector machine (SVM) based approach to improve daily rainfall estimation from the Meteosat Second Generation (MSG) data. In this study, the precipitation is first detected and classified into convective and stratiform rain by two MLP models, and then four multi-class SVM algorithms were used for daily rainfall estimation. Relevant spectral and textural input features of the developed algorithms were derived from the spectral MSG SEVIRI radiometer channels. The models were trained using radar rainfall data set colected over north Algeria. Validation of the proposed daily rainfall estimation technique was performed by rain gauge network data set recorded over north Algeria. Thus, several statistical scores were calculated, such as correlation coefficient (r), root mean square error (RMSE), mean error (Bias), and mean absolute error (MAE). The findings given by: (r = 0.97, bias = 0.31 mm, RMSE = 2.20 mm and MAE = 1.07 mm), showed a quite satisfactory relationship between the estimation and the respective observed daily precipitation. Moreover, the comparison of the results with those of two advanced techniques based on random forests (RF) and weighted ‘k’ nearest neighbor (WkNN) showed higher accuracy obtained by the proposed model.

یک ماشین بردار پشتیبان پرسپترون چند لایه و چند طبقه مبتنی بر روش دقت بالا برای تخمین بارندگی روزانه از داده‌های MSG SEVIRI

مقاله حاضر یک شبکه پرسپترون چند لایه جدید (MLP)و روش مبتنی بر ماشین بردار پشتیبان (SVM)را برای بهبود تخمین بارش روزانه از داده‌های نسل دوم Meteosat (MSG)معرفی می‌کند. در این مطالعه، بارش ابتدا به وسیله دو مدل MLP به باران همرفتی و طبقه‌بندی می‌شود و سپس چهار الگوریتم SVM چند کلاسی برای برآورد بارش روزانه مورد استفاده قرار می‌گیرند. ویژگی‌های ورودی طیفی و بافتی مرتبط الگوریتم های توسعه‌یافته از کانال‌های رادیومتر MSG SEVIRI طیفی مشتق شده‌اند. این مدل‌ها با استفاده از داده‌های بارندگی رادار که در شمال الجزایر با هم تلفیق شده بودند، آموزش داده شدند. اعتبار سنجی روش برآورد بارش روزانه پیشنهادی توسط مجموعه داده‌های شبکه باران‌سنجی ثبت‌شده در شمال الجزایر انجام شد. بنابراین، چندین امتیاز آماری مانند ضریب همبستگی (r)، ریشه میانگین مربعات خطا (RMSE)، میانگین خطا (Bias)و میانگین خطای مطلق (MAE)محاسبه شدند. یافته‌های ارائه‌شده توسط: (r = ۰.۹۷، اریبی = ۰.۳۱ mm، RMSE = ۲.۲۰ mm و MAE = ۱.۰۷ mm)، یک رابطه کاملا رضایت‌بخش بین برآورد و بارش روزانه مشاهده‌شده مربوطه را نشان داد. علاوه بر این، مقایسه نتایج با نتایج دو تکنیک پیشرفته مبتنی بر جنگل‌های تصادفی (RF)و نزدیک‌ترین همسایه "k" وزنی (WkNN)دقت بالاتری را نشان داد که توسط مدل پیشنهادی به دست آمد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Geophysics
  • ترجمه مقاله Geophysics
  • مقاله ژئوفیزیک
  • ترجمه مقاله ژئوفیزیک
  • مقاله Atmospheric Science
  • ترجمه مقاله Atmospheric Science
  • مقاله علوم جوی
  • ترجمه مقاله علوم جوی
  • مقاله Aerospace Engineering
  • ترجمه مقاله Aerospace Engineering
  • مقاله مهندسی هوافضا
  • ترجمه مقاله مهندسی هوافضا
  • مقاله General Earth and Planetary Sciences
  • ترجمه مقاله General Earth and Planetary Sciences
  • مقاله علوم زمین و سیارات عمومی
  • ترجمه مقاله علوم زمین و سیارات عمومی
  • مقاله Space and Planetary Science
  • ترجمه مقاله Space and Planetary Science
  • مقاله علوم فضایی و سیاره‌ای
  • ترجمه مقاله علوم فضایی و سیاره‌ای
  • مقاله Astronomy and Astrophysics
  • ترجمه مقاله Astronomy and Astrophysics
  • مقاله ستاره‌شناسی و اخترفیزیک
  • ترجمه مقاله ستاره‌شناسی و اخترفیزیک
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.