Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Przeglądasz jako GOŚĆ
Tytuł pozycji:

NOVEL SNOW DEPTH RETRIEVAL METHOD USING TIME SERIES SSMI PASSIVE MICROWAVE IMAGERY

Tytuł :
NOVEL SNOW DEPTH RETRIEVAL METHOD USING TIME SERIES SSMI PASSIVE MICROWAVE IMAGERY
Autorzy :
Nikraftar, Z.
Hasanlou, M.
Esmaeilzadeh, M.
Pokaż więcej
Temat :
TA1-2040
TA1501-1820
Applied optics. Photonics
Engineering (General). Civil engineering (General)
Technology
Źródło :
The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol XLI-B8, Pp 525-530 (2016)
Wydawca :
Copernicus Publications, 2016.
Rok publikacji :
2016
Kolekcja :
DOAJ-Articles_enriched
DOAJ-Articles
Opis pliku :
application/pdf
Język :
English
ISSN :
2194-9034
1682-1750
DOI :
10.5194/isprs-archives-XLI-B8-525-2016
Numer akcesji :
edsair.dedup.wf.001..d27d681b3d8e4e7e6a9c7951eafb3b2b
The Special Sensor Microwave Imager (SSM/I) and the Special Sensor Microwave Imager Sounder (SSM/IS) are satellites that work in passive microwave range. The SSM/I has capability to measure geophysical parameters which these parameters are key to investigate the climate and hydrology condition in the world. In this research the SSMI passive microwave data is used to study the feasibility of monitoring snow depth during snowfall month from 2010 to 2015 using an algorithm in conjunction with ground depth measured at meteorological stations of the National Centre for Environmental Information (NCEI). The previous procedures for snow depth retrieval algorithms uses only one or two passive bands for modelling snow depth. This study enable us to use of a nonlinear multidimensional regression algorithm which incorporates all channels and their related weighting coefficients for each band. Higher value of these coefficients are indicator of the importance of each band in the regression model. All channels and their combination were used in support of the vector algorithm combined with genetic algorithm (GA) for feature selection to estimate snow depth. The results were compared with those algorithms developed by recent researchers and the results clearly shows the superiority of proposed method (R2 = 0.82 and RMSE = 6.3 cm).

Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies