مقاله ترجمه شده یادگیری عمیق و همجوشی داده ها (تلفیق داده) بر براورد رطوبت سطحی خاک (رطوبت خاک)

دسته بندي : فنی و مهندسی » صنایع
مقاله ترجمه شده یادگیری عمیق و همجوشی داده ها (تلفیق داده) بر براورد رطوبت سطحی خاک (رطوبت خاک)
جزئیات و دریافت

توضیحات:
مقاله ترجمه شده یادگیری عمیق و همجوشی داده ها (تلفیق داده) بر براورد رطوبت سطحی خاک (رطوبت خاک)، در قالب فایل word.

عنوان مقاله اصلی:
Deep learning and data fusion to estimate surface soil moisture from multi‑sensor satellite images

بخشی از ترجمه:
ما سبک جدیدی را بر اساس شبکه عصبی مصنوعی (ANN) پیشخور دارای بیش از چند لایه برای تخمین رطوبت سطی خاک برگرفته از تصاویر ماهواره¬ای بر روی یک مخروطه افکنه بزرگ در رایور کوسی دماغه هیمالیا، پیشنهاد دادیم. ما ۹ ویژگی مختلف از جمله، شاخص ۱ (پس پراکنه رادار دوقطبی)، شاخص ۲ (باندهای فروسرخ نزدیک) و ماهواره ماموریت توپوگرافی شاتل رادار (مدل رقومی ارتفاع) تولید شده توسط همجوشی داده¬های خطی و شاخص¬های گرافیکی، استخراج کردیم. ما تحلیل اهمیت ویژگی را با استفاده از رویکرد درخت گروهی رگرسیونی و همچنین ویژگی حساسیت برای ارزیابی تاثیر هر ویژگی بر روی متغیر واکنشی، انجام دادیم. برای آموزش و ارزیابی کارایی مدل، دو کمپینگ میدانی در مخروط افکنه کوسی در روزهای ۱۱-۱۹ دسامبر ۲۰۲۰-۶ سال ۲۰۲۲ انجام دادیم. ما از ردیاب TDR کالیبره شده برای اندازه¬گیری رطوبت سطحی خاک در ۲۲۴ مکان مختلف توزیع شده در سطح مخروط افکنه استفاده کردیم. از ویژگیهای ورودی برای تمرین، صحت و آزمایش کارایی مدل ANN پیشخور در ۱ نسبت ۶۰:۱۰:۳۰ استفاده کردیم. ما کارایی مدل ANN را با ۱۰ الگوریتم یادگیری ماشینی مختلف مقایسه کردیم(شبکه عصبی رگرسیون عمومی (GRNN)، شبکه عصبی شعاعی پایه(RBF)، RBN کامل(ERBN)، رگرسیون فرایند گاوسی (GPR)، رگرسیون بردار پشتیبان (SVR)، جنگل تصادفی (RF)، یادگیری گروهی توان افزا (Boosting EL)، شبکه عصبی بازگشتی (RNN)، درخت تصمیم باینری (BDT) و یادگیری ماشین خودکار (AutoML)). ما مشاهده کردیم که مدل ANN به طور دقیق، رطوبت خاک را پیش¬بینی می¬کند و بهتر از بقیه، الگوریتمهای پایه با ضریب همبستگی (R=0.8)، خطای ریشه میانگین مجذورات (RMSE=0.040 m3/m3)و بایاس = 0.004 m3/m3 برآورد می¬کند. در نهایت برای یک نتیجه¬گیری مطمئن و بی¬طرفانه، ما توزیع آنالیز توزیع فضایی را با ایجاد ۳۰ مجموعه مختلف از پایگاه ¬داده¬های آزمایش-اعتبارسنجی- آموزش، انجام دادیم. مشاهده کردیم که کارایی در همه ۳۰ سناریو، همسان می باشد، نتایج این مطالعه کاربرد رطوبت خاک جدید موجود و جدید را تقویت می-کند.
دسته بندی: فنی و مهندسی » صنایع

تعداد مشاهده: 194 مشاهده

فرمت فایل دانلودی:.docx

فرمت فایل اصلی: docx

تعداد صفحات: 14

حجم فایل:2,297 کیلوبایت

 قیمت: 39,000 تومان
پس از پرداخت، لینک دانلود فایل برای شما نشان داده می شود.   پرداخت و دریافت فایل دانلود رایگان اصل مقاله انگلیسی
  • محتوای فایل دانلودی:
    فایل ورد ترجمه مقاله

برچسب ها: Deep learning data fusion estimate surface soil moisture رطوبت خاک یادگیری عمیق همجوشی داده¬ها تلفیق داده