پديد آورندگان :
غيبي، ابوالحسن نويسنده گروه فيزيك,دانشگاه هرمزگان,ايران ghibe, abolhasan , خواجه‌اي، آذرمهر نويسنده دانشگاه هرمزگان,ايران khajaee, azarmehr , خوارزمي، سعيده نويسنده دانشگاه هرمزگان,ايران null, null
چكيده فارسي :
آب‌شهاب‌هاي موجود در جو، به هر شكلي كه باشند (جامد، مايع و گاز)، با تابش مايكروويو (از طريق پراكندگي، جذب و گسيل) برهمكنش مي‌كنند. اندازه‌گيري‌هاي گمانهزن مايكروويو پيشرفته واحد B (AMSUB) روي ماهواره‌هاي NOAA به نوع، شكل و توزيع اندازه و همچنين رفتار سقوطي آب‌شهاب‌ها در حجم تفكيك ابزار سنجش حساس و در نتيجه براي مطالعه انواع مختلف آب‌شهاب‌هاي جوي مفيد مي‌باشند. از جمله كاربرد اطلاعات خرد فيزيكي و طبقه‌بندي آب‌شهاب‌هاي جوي مي‌توان به مقداردهي اوليه مدل‌هاي ابر و مدل‌هاي عددي پيش‌بيني آبو هوا، مطالعه در خصوص شكل‌گيري و چرخه زندگي بارش و همچنين انتخاب الگوريتم مناسب براي برآورد بارش اشاره كرد. با توجه به اين مهم، در اين مقاله با استفاده از دماي تابشي اندازه‌گيري شده توسط گمانهزن AMSUB و روش شبكه‌هاي عصبي مصنوعي بطور همزمان هشت نوع آب‌شهاب مختلف، 1 توفان تندري(TS) 2 باران سنگين(HR) 3 باران سبك(LR) 4 باران متوسط(MR) 5 بارش برف(SF) 6 پوشش برف(SC) 7 آسمان ابري(CLS) 8 آسمان صاف(CS) به هشت كلاس مجزا طبقه‌بندي شده‌اند. از حدود 200 گذر ماهواره طي دوره‌ي مورد مطالعه، بين سال‌هاي 2000 تا 2010، براي هر نوع آب‌شهاب 200 نمونه و در مجموع 1600 نمونه كه تقريبا با گزارش‌هاي سازمان هواشناسي همزمان بوده‌اند جمع‌آوري شده است. نتايج نشان مي‌دهد كه انواع كلاس‌هاي بارش باران، نرمه بارش، بارش متوسط و بارش شديد، با دقتي بين 54 تا 62 درصد، نسبت به ساير كلاس‌هاي آب‌شهاب‌ها، با دقت كمتري، و انواع ديگر آب‌شهاب‌ها تقريباً با دقتي بيش از 80 درصد بطور صحيح طبقه‌بندي شده‌اند. با قراردادن تمام كلاس‌هاي بارش باران در يك كلاس واحد (بارش باران RF) روي همرفته دقت طبقه‌بندي شبكه‌ي عصبي به حدود 85% ( 340 الگو از 400 الگو بطور صحيح طبقه‌بندي شده‌اند) ارتقاء مي‌يابد.
چكيده لاتين :
Hydrometeors in the atmosphere, on any form (solid, liquid and gases), interact with microwave radiation (through scattering, absorption and emission). The Advanced Microwave Sounding UnitB (AMSUB) measurements onboard NOAA satellites are sensitive to the types, shapes, and size distributions as well as fall behaviors of the hydrometeors in the AMSUB resolution Volume and thus are useful to study different types of atmospheric hydrometeors. These microphysical signatures and classification of atmospheric hydrometeors can be utilized to initialize the cloud/mesoscale numerical weather prediction models, study of precipitation formation and life cycle, and choice of the right algorithm for precipitation estimation. Therefore, In this paper, the signatures of eight types of hydrometeors, including Thunderstorms (TS), Heavy rain (HR), Light rain (LR), Moderate Rainfall (MR), Snowfall (SF), Snow cover (SC), Cloudy condition (CC), and Clear sky (CS), using AMSUB data by an artificial neural network method, simultaneously, have been classified to eight different classes. During the study period (2000 to 2010), from about 200 of satellite passes, for each type of hydrometeor 200 datasle and overall 1600 datasle, which was closest to Iran Meteorology Organization (IMO) reports have been collected. Our results show that different classes of rain, including light, moderate and heavy rainfall, with respect to other classes, with accuracies between 54 to 62% have poor classification capability, and other hydrometeors with an accuracy of about 80% correctly classified. By considering three classes of rain as a single class (rain fall = RF), the accuracy of neural network classifier increased to 85% among 400 pattern, about 340 pattern have correctly been classified
