[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 9، شماره 2 - ( 7-1400 ) ::
جلد 9 شماره 2 صفحات 65-51 برگشت به فهرست نسخه ها
تحلیل کاپیولای مناسب برای مدلسازی ساختار وابستگی داده‌های تاخیر تروپسفری در بخش کوهستانی اروپای مرکزی
رویا موسویان، مسعود مشهدی حسینعلی*، کریستف لورنز
دانشگاه صنعتی خواجه نصیرالدین طوسی
چکیده:   (62 مشاهده)
پایین­ترین لایه اتمسفر تحت عنوان تروپوسفر یکی از مهم­ترین لایه­های اتمسفری از منظر انتشار امواج الکترومغناطیس محسوب می­شود. تغییرات این لایه تحت تاثیر پارامترهای مختلفی بوده و سیگنال­های ارسالی از ماهواره­ها در عبور از آن، تحت تاثیر محیط دچار تاخیر می­شوند. در مدل­سازی تروپسفر، عدم آگاهی از ساختار وابستگی تاخیر­های مایل تروپسفری، به کارگیری توابع پایه مناسب را بسیار پیچیده می­نماید. از طرف دیگر، در رویکرد مبتنی بر گسسته سازی مدل (توموگرافی) ، برای انتخاب ابعاد (رزولوشن) زمانی و مکانی مناسب در کنار به کارگیری تابع دلتای دیراک به عنوان تابع پایه  مورد نیاز، در نظر گرفتن ساختار وابستگی داده­ها (تاخیر­های اتمسفری) حائز اهمیت است. در این مقاله استفاده از کاپیولا به عنوان روشی جهت مدلسازی کامل ساختار وابستگی داده­ها، به منظور ارزیابی مدل وابستگی مناسب برای تاخیر زنیتی تروپسفری در ابعاد محلی در منطقه جنوب شرقی آلمان و بخشی از اتریش و جمهوری چک در بازه زمانی 6 ماهه مورد بررسی قرار گرفته است. برای این منظور 4 کاپیولای ارشمیدسی متداول با مدل­های وابستگی متفاوت فِرانک، کِلِیتون، گامبِل و علی- میخاییل- حق (AMH)،  بررسی گردید. سپس با استفاده از دو معیار متداول اطلاعات آکائیک (AIC) و اطلاعات بیزین (BIC)، کاپیولای مناسب برای مدلسازی داده­ها تشخیص داده شد. بر اساس نتایج حاصل، هر دو معیار کاپیولاهای مشابهی را پیشنهاد می­دهند. کاپیولای پیشنهادی در بیشتر موارد گامبِل است که کاپیولایی نامتقارن و دارای وابستگی­های دُمی به ویژه وابستگی دُمی بالا است. این موضوع بیانگر تمرکز وابستگی در این کمیت بر روی مقادیر بزرگتر آن است. این مسئله، احتمال داشتن مدلی با ابعاد متغیر با توجه به ساختار وابستگی را برای پدیده­های تروپوسفری قوت می­بخشد و  مؤید این مهم است که در نظر گرفتن ضریب همبستگی پیِرسون به تنهایی در مدلسازی ­های ناحیه ­ای تروپوسفری در همه موارد  الزاما صحیح نمی باشد. 
واژه‌های کلیدی: کاپیولا، انتخاب مدل، ساختار وابستگی، تاخیر تروپوسفری
متن کامل [PDF 1442 kb]   (36 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: ژئودزی (عمومی)
دریافت: 1398/6/7 | پذیرش: 1398/10/21 | انتشار: 1400/7/30
فهرست منابع
1. [1] N. S. Altman and M. Krzywiski, "Points of Significance: Association, correlation and causation," Nature methods, vol. 12, pp. 899-900, 2015. [DOI:10.1038/nmeth.3587]
2. [2] M. Khoshmanesh and M. Mashhadi Hossainali, "Constraints on a geodetic time transfer network in Iran," Arabian Journal of Geosciences, 2013. [DOI:10.1007/s12517-013-1059-2]
3. [3] M. Rothacher, "Orbits of Satellite Systems in Space Geodesy," Geod.-Geophys. Arb. Schweiz,, vol. 46, 1992.
4. [4] M. Rothacher, T. A. Springer, S. Schaer, and G. Beutler, "Processing Strategies for Regional GPS Networks," presented at the IAG General Assembly in Rio, Rio, 1997. [DOI:10.1007/978-3-662-03714-0_14]
5. [5] M. Meindl, S. Schaer, U. Hugentobler, and G. Beutler, "Tropospheric Gradient Estimation at CODE: Results from Global Solutions, in Applications of GPS Remote Sensing to Meteorology and Related Fields, ," Journal of the Meteorological Society of Japan, vol. 82(1B), pp. 331-338, 2004. [DOI:10.2151/jmsj.2004.331]
6. [6] G. Xu., GPS Theory, Algorithms and Applications, 2nd ed.: Springer, 2007.
7. [7] M. Meindl, S. Schaer, U. Hugentobler, and G. Beutler., "Tropospheric gradient estimation at code: Results from global solutions " Journal of the Meteorological Society of Japan, vol. 82 (1B), pp. 331-338. [DOI:10.2151/jmsj.2004.331]
8. [8] S. Petrović, "Maximal Correlation Adjustment in Physical Geodesy," Berlin, Heidelberg, 1993, pp. 242-245. [DOI:10.1007/978-3-642-78149-0_57]
9. [9] G. O. Jerez and D. B. M. Alves, "Generation and Performance Analysis of GPS and GLONASS Virtual Data for Positioning Under Different Ionospheric Conditions," Boletim de Ciências Geodésicas, vol. 25, 2019. [DOI:10.1590/s1982-21702019000200007]
10. [10] G. U. Yule and M. G. Kendall, An introduction to the theory of statistics, 14th ed., 5th impression ed. New York: Hafner Publishing Company, 1968.
11. [11] M. G. Kendall, Rank Correlation Methods, 4th ed.: London Griffin, 1970.
12. [12] P. Embrechts, A. J. McNeil, and D. Straumann, "Correlation: Pitfalls and alternatives," Risk, vol. 12, pp. 69-71, 1999.
13. [13] A. Sklar, "Fonctions de repartition a n dimensions et leurs marges," de l'Institut de Statistique de l'Universite de Paris, vol. 8, pp. 229-231, 1959.
14. [14] S. Daul, E. D. Giorgi, F. Lindskog, and A. J. McNeil, "The grouped t-copula with an application to credit risk," vol. 16, pp. 73-76, 2003. [DOI:10.2139/ssrn.1358956]
15. [15] D. H. Oh and A. J. Patton, "Modelling dependence in high dimensions with factor copulas," Journal of Business and Economic Statistics, 2015.
16. [16] G. Mercier, G. Moser, and S. Serpico, "Conditional Copula for change detection on heterogeneous SAR data," Barcelona, Spain, 2007. [DOI:10.1109/IGARSS.2007.4423324]
17. [17] A. Sundaresan. and P. K. Varshney, "Location estimation of a random signal source based on correlated sensor observations," IEEE Trans. Signal Process., vol. 59, pp. 787-799, 2011. [DOI:10.1109/TSP.2010.2084084]
18. [18] A. Sundaresan, P. K. Varshney, and N. S. V. Rao, "Copula-based fusion of correlated decisions," IEEE Trans. Aerosp. Electron . Syst., vol. 47, pp. 454-471, 2011. [DOI:10.1109/TAES.2011.5705686]
19. [19] S. Iyengar, P. K. Varshney, and T. Damarla, "A parametric copula based framework for hypotheses testing using heterogeneous data," IEEE Transactions on Signal Processing, vol. 59, pp. 2308 - 2319, 2011. [DOI:10.1109/TSP.2011.2105483]
20. [20] A. Subramanian, A. Sundaresan., and K. Varshney, "Fusion for the detection of dependent signals using multivariate Copulas," in Proceedings of the 14th International Conference, Chicago, IL, 2011, pp. 1-8.
21. [21] A. Ba'rdossy and J. Li, "Geostatistical interpolation using copulas," WATER RESOURCES RESEARCH vol. 44, 2008. [DOI:10.1029/2007WR006115]
22. [22] G. Mercier, S. Derrode, W. Pieczynski, J. Nicolas, A. Joannic-Chardin, and J. Inglada, "Copula-based Stochastic Kernels for Abrupt Change Detection," in International Geoscience and Remote Sensing Symposium (IGARSS), 2006. [DOI:10.1109/IGARSS.2006.57]
23. [23] N. Brunel and W. Pieczynski, "Unsupervised signal restoration using hidden Markov chains with Copulas.," Signal Processing, vol. 85, pp. 2304-2315, 2005. [DOI:10.1016/j.sigpro.2005.01.018]
24. [24] N. Brunel, W. Pieczynski, and S. Derrode, "Copulas in vectorial hidden markov chains for multicomponent image segmentation,," presented at the ICASSP'05, Philadelphia, USA,, 2005.
25. [25] S. Vogl, P. Laux, W. Qiu, G. Mao, and H. Kunstmann, "Copula-based assimilation of radar and gauge information to derive bias-corrected precipitation fields.," Hydrol. Earth Syst. Sci. , vol. 16, pp. 2311-2328, 2012. [DOI:10.5194/hess-16-2311-2012]
26. [26] L. Neppel, N. Pujol, and R. Sabatier, "A multivariate regional test for detection of trends in extreme rainfall: the case of extreme daily rainfall in the French Mediterranean area," Advances in Geosciences, vol. 26, pp. 145-148, 2011. [DOI:10.5194/adgeo-26-145-2011]
27. [27] S. Modiri, "Copula-based analysis of correlation structures in case of GRACE coefficients," Master, Geodesy, Stuttgart, 2015.
28. [28] S. Modiri, S. Belda, R. Heinkelmann, M. Hoseini, J. M. Ferrándiz, and H. Schuh, "Polar motion prediction using the combination of SSA and Copula‑based analysis," Earth, Planets and Space, vol. 70, 2018. [DOI:10.1186/s40623-018-0888-3]
29. [29] R. B. Nelsen, An introduction to Copulas, 2nd ed. Berlin: Springer-Verlag, 2006.
30. [30] J. Rank, Copulas: From Theory to Application in Finance: Wiley, 2007.
31. [31] Aas. K., "Modelling the dependence structure of financial assets: Asurvay of four copulas," SAMBA/22/04, 2004.
32. [32] P. Embrechts, F. Lindskog, and A. McNeil, "Modelling dependence with copulas and applications to risk management.," in Handbook of Heavy Tailed Distributions in Finance, S. Rachev, Ed., ed: Elsevier, 2003. [DOI:10.1016/B978-044450896-6.50010-8]
33. [33] C. Genest and L. Rivest, "Statistical Inference Procedures for Archimedean Copulas," Journal of the American Statistical Association, vol. 88, pp. 1034-1043, 1993. [DOI:10.1080/01621459.1993.10476372]
34. [34] U. Cherubini, E. Luciano, and W. Vecchiato, Copula methods in finance. England: Wiley, 2004. [DOI:10.1002/9781118673331]
35. [35] F. Durante and C. Sempi, "Copula Theory: An Introduction," in Copula Theory and its Applications. vol. 198, F. Durante, W. H. ardle, P. Jaworski, and T. Rychlik, Eds., ed: Springer, 2010, pp. 3-31. [DOI:10.1007/978-3-642-12465-5_1]
36. [36] C. Genest, K. Ghoudi, and L. P. Rivest, "A semiparametric estimation procedure of dependence parameters in multivariate families of distributions.," Biometrika, vol. 82, pp. 543-552, 1995. [DOI:10.1093/biomet/82.3.543]
37. [37] C. Topcu, "Comparison of some selection criteria for selecting bivariate Archimedean Copulas," AKU-J. Sci. Eng., vol. 16, pp. 250-255, 2016. [DOI:10.5578/fmbd.27971]
38. [38] A. Dias and P. Embrechts, "Dynamic Copula Models for Multivariate High Frequency Data in Finance," Quantitative Finance, vol. 3, pp. 1-16, 2004. [DOI:10.1080/713666155]
39. [39] H. Parra Palaro and L. Koodi Hotta, "Using Conditional Copula to Estimate Value at Risk," Journal of Data Science, vol. 4, pp. 93-115, 2006. [DOI:10.6339/JDS.2006.04(1).226]
40. [40] R. Ghoddousi-Fard, "Modelling tropospheric gradients and parameters from NWP models: Effects on GPS estimates.," PhD, Department of Geodesy and Geomatics Engineering, University of New Brunswick, 2009.
ارسال پیام به نویسنده مسئول


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Mousavian R, Masshadi Hossainali M, Lorenz C. Appropriate Copula Investigation for Modeling Dependence Structure of Troposperic Delay Data in the Mountainous Area of Central Europe. jgit. 2021; 9 (2) :51-65
URL: http://jgit.kntu.ac.ir/article-1-699-fa.html

موسویان رویا، مشهدی حسینعلی مسعود، لورنز کریستف. تحلیل کاپیولای مناسب برای مدلسازی ساختار وابستگی داده‌های تاخیر تروپسفری در بخش کوهستانی اروپای مرکزی. مهندسی فناوری اطلاعات مکانی. 1400; 9 (2) :65-51

URL: http://jgit.kntu.ac.ir/article-1-699-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 9، شماره 2 - ( 7-1400 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.04 seconds with 29 queries by YEKTAWEB 4353