چکیده مقاله
عمق نوری هواویز AOD پارامتری ضروری در مطالعات جوی است رخداد گپ در داده MAIAC، به عنوان یکی از مهم ترین منابع داده AOD، مانع تجزیه و تحلیل دقیق در تحقیقات می شود در مطالعات گذشته، اغلب از الگوریتم های پیچیده و روش های یادگیری عمیق استفاده شده که با وجود دقت بالا، نیاز به حجم زیادی از داده های آموزشی و محاسبات سنگین دارند در مقابل، در تحقیق حاضر با استفاده از داده های شبیه سازی شده، نتایج قابل قبولی بدست آمده و داده های کمتری نیاز است در این تحقیق با هدف بررسی تاثیر اندازه گپ و فاصله و تعداد همسایگی، در پر کردن گپ AOD، و بررسی توانایی دو روش GWR و کریجینگ، داده ها شبیه سازی شدند نتایج نشان می دهد که GWR از نظر دقت در اندازه های مختلف گپ از Kriging بهتر عمل می کند GWR بهبود در حدود ۳۰ ۵۰٪ در RMSE و ۱۰ ۲۰٪ در MAE را در مقایسه با Kriging در گپ های مختلف نشان می دهد اما کریجینگ حساسیت بیشتری نسبت به اندازه گپ و فاصله و تعداد همسایه ها نشان می دهد و نتایج بدتری در گپ های بزرگتر نشان می دهد بر اساس نتایج بدست آمده، هر دو روش با افزایش اندازه گپ دقت کمتری ارائه می دهند، اما GWR عملکرد قابل اعتمادتر و پایدارتری نشان داد
کلیدواژه‌ها
نویسندگان
مژده شاکری مبارکه
دانشکده عمران و حمل و نقل، گروه مهندسی نقشه برداری، گرایش سیستم های اطلاعات مکانی، دانشگاه اصفهان
مهدی مومنی شهرکی
دانشکده عمران و حمل و نقل، گروه مهندسی نقشه برداری، گرایش سیستم های اطلاعات مکانی، دانشگاه اصفهان
شیوه ارجاع
�اکری مبارکه، مژده و مومنی شهرکی، مهدی،1404،مقایسه روش های کریجینگ و GWR در پر کردن گپ داده AOD الگوریتم MAIAC،بیست و نهمین همایش و نمایشگاه ملی مهندسی نقشه برداری و اطلاعات مکانی ژئوماتیک ۱۴۰۴ و پنجمین نمایشگاه بین المللی ایران ژئو،تهران
ارائه‌شده در
مجموعه مقالات بیست و نهمین همایش و نمایشگاه ملی مهندسی نقشه برداری و اطلاعات مکانی ژئوماتیک ۱۴۰۴ و پنجمین نمایشگاه بین المللی ایران ژئو29 آبان 1404 · تهران