Descripteur
Documents disponibles dans cette catégorie (4)
Ajouter le résultat dans votre panier Affiner la recherche Interroger des sources externesEtendre la recherche sur niveau(x) vers le bas
Automatic detection and classification of low-level orographic precipitation processes from space-borne radars using machine learning / Malarvizhi Arulraj in Remote sensing of environment, vol 257 (May 2021)
Titre : Automatic detection and classification of low-level orographic precipitation processes from space-borne radars using machine learning Type de document : Article/Communication Auteurs : Malarvizhi Arulraj, Auteur ; Ana P. Baros, Auteur Année de publication : 2021 Article en page(s) : n° 112355 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications
[Termes IGN] Appalaches
[Termes IGN] apprentissage automatique
[Termes IGN] bande S
[Termes IGN] classification automatique
[Termes IGN] classification barycentrique
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] image GPM
[Termes IGN] orographie
[Termes IGN] précipitationRésumé : (auteur) Ground-clutter is a significant cause of missed-detection and underestimation of precipitation in complex terrain from space-based radars such as the Global Precipitation Measurement Mission (GPM) Dual-frequency Precipitation Radar (DPR). This research proposes an Artificial Intelligence (AI) framework consisting of a precipitation detection model (PDM) and a precipitation regime classification model (PCM) to improve orographic precipitation retrievals from GPM-DPR using machine learning. The PDM is a Random Forest Classifier using GPM Microwave Imager (GMI) calibrated brightness temperatures (Tbs) and low-level precipitation mixing ratios from the High-Resolution Rapid Refresh (HRRR) analysis as inputs. The PCM is a Convolutional Neural Network that predicts the precipitation regime class, defined independently based on quantitative features of ground-based radar reflectivity profiles, using GPM DPR Ku-band (Ku-PR) reflectivity profiles and GMI Tbs. The AI framework is demonstrated for warm-season precipitation in the Southern Appalachian Mountains over. Numéro de notice : A2021-279 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1016/j.rse.2021.112355 Date de publication en ligne : 19/02/2021 En ligne : https://doi.org/10.1016/j.rse.2021.112355 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97372
in Remote sensing of environment > vol 257 (May 2021) . - n° 112355[article]
Titre : Mapping precipitable water vapor time series from Sentinel-1 interferometric SAR Type de document : Article/Communication Auteurs : Pedro Mateus, Auteur ; João Catalão, Auteur ; Giovanni Nico, Auteur ; Pedro Benevides, Auteur Année de publication : 2020 Article en page(s) : pp 1373 - 1379 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications
[Termes IGN] Appalaches
[Termes IGN] cartographie
[Termes IGN] données GNSS
[Termes IGN] image Sentinel-SAR
[Termes IGN] interferométrie différentielle
[Termes IGN] itération
[Termes IGN] méthode des moindres carrés
[Termes IGN] modèle atmosphérique
[Termes IGN] optimisation (mathématiques)
[Termes IGN] phase GNSS
[Termes IGN] prévision météorologique
[Termes IGN] série temporelle
[Termes IGN] vapeur d'eauRésumé : (auteur) In this article, a methodology to retrieve the precipitable water vapor (PWV) from a differential interferometric time series is presented. We used external data provided by atmospheric weather models (e.g., ERA-Interim reanalysis) to constrain the initial state and by Global Navigation Satellite System (GNSS) to phase ambiguities elimination introduced by phase unwrapping algorithm. An iterative least-square is then used to solve the optimization problem. We applied the presented methodology to two time series of differential PWV maps estimated from synthetic aperture radar (SAR) images acquired by the Sentinel-1A, over the southwest part of the Appalachian Mountains (USA). The results were validated using an independent GNSS data set and also compared with atmospheric weather prediction data. The GNSS PWV observations show a strong correlation with the estimated PWV maps with a root-mean-square error less than 1 mm. These results are very encouraging, particularly for the meteorology community, providing crucial information to assimilate into numerical weather models and potentially improve the forecasts. Numéro de notice : A2020-098 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2019.2946077 Date de publication en ligne : 28/10/2019 En ligne : https://doi.org/10.1109/TGRS.2019.2946077 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94672
in IEEE Transactions on geoscience and remote sensing > vol 58 n° 2 (February 2020) . - pp 1373 - 1379[article]
Titre : Automated cognitive mapping Type de document : Article/Communication Auteurs : R. Cromley, Auteur ; K. Raitz, Auteur ; R. Ulack, Auteur Année de publication : 1981 Article en page(s) : pp 36 - 50 Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Cartographie thématique
[Termes IGN] Appalaches
[Termes IGN] carte cognitive
[Termes IGN] cartographie automatique
[Termes IGN] cartologie
[Termes IGN] démographieNuméro de notice : A1981-056 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article DOI : 10.3138/F637-N003-6422-033V En ligne : https://doi.org/10.3138/F637-N003-6422-033V Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=23579
in Cartographica > vol 18 n° 4 (December 1981) . - pp 36 - 50[article]Exemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 031-81041 RAB Revue Centre de documentation En réserve L003 Disponible
