[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
آمار نشریه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آمار سایت
مقالات منتشر شده: 308
نرخ پذیرش: 62.8
نرخ رد: 37.2
میانگین داوری: 209 روز
میانگین انتشار: 344 روز
..
:: دوره 11، شماره 2 - ( 6-1402 ) ::
جلد 11 شماره 2 صفحات 16-1 برگشت به فهرست نسخه ها
پیش‌بینی مسیر طوفان‌های حاره‌ای با استفاده از مدل حافظه طولانی کوتاه-مدت، اندازه‌گیری تشابه خطوط سیر و اطلاعات زمینه‌ای
سحر فرمانی‌فرد ، علی‌اصغر آل‌شیخ ، محمد شریف* ، دانیال علیزاده
دانشگاه هرمزگان
چکیده:   (1108 مشاهده)
طوفان حاره‌ای یک پدیده طبیعی و پیچیده است که وقوع آن جان و مال انسان‌ها را تهدید می‌کند. بنابراین پیش‌بینی دقیق مسیر حرکت طوفان برای کاهش خسارات اقتصادی و نجات جان انسان‌ها لازم است. هنگامی‌که طوفانی رخ می‌دهد اطلاعات زمینه‌ای مختلفی نظیر سرعت و شدت باد، فشار هوا، جهت طوفان، دمای سطح آب و غیره در تغییر مسیر حرکت طوفان‌ اثرگذار است و در نظر گرفتن این اطلاعات در فرآیند پیش‌بینی مسیر طوفان، می‌تواند دقت پیش‌بینی مسیر را بهبود بخشد. پژوهشگران روش‌های مختلفی را برای پیش‌بینی مسیر حرکت طوفان‌ها به‌کاربرده‌اند تا به بالاترین دقت در پیش‌بینی دست یابند. امروزه روش‌های یادگیری عمیق برای این منظور بسیار موردتوجه قرار‌گرفته است. در این پژوهش با اندازه‌گیری میزان شباهت خطوط‌سیر طوفان‌ها و در نظر گرفتن پارامترهای موقعیتی و اطلاعات زمینه‌ای نظیر سرعت باد و جهت طوفان، از روش حافظه طولانی کوتاه‌-مدت برای پیش‌بینی مسیر و مکان آینده طوفان‌های واقع در اقیانوس اطلس شمالی استفاده شده است. نتایج به‌دست‌آمده بهبود دقت پیش‌بینی نسبت به عدم در نظر گرفتن اطلاعات زمینه‌ای را برای بازه‌های زمانی 3، 6، 9 و 12 ساعت نشان می‌دهد. فاصله میان مسیر پیش‌بینی‌شده با مسیر واقعی در صورت در نظر گرفتن اطلاعات زمینه‌ای بین 1.9 تا 4.5 کیلومتر کاهش یافته است.
واژه‌های کلیدی: پیش‌بینی خط‌سیر، اندازه‌گیری تشابه، اطلاعات زمینه‌ای، مدل حافظه طولانی کوتاه-مدت، طوفان‌های حاره‌ای
متن کامل [PDF 1148 kb]   (172 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سیستمهای اطلاعات مکانی (عمومی)
دریافت: 1400/3/9 | پذیرش: 1400/8/5 | انتشار الکترونیک پیش از انتشار نهایی: 1402/6/6 | انتشار: 1402/7/18
فهرست منابع
1. [1] S. Alemany, J. Beltran, A. Perez, and S. Ganzfried, "Predicting Hurricane Trajectories Using a Recurrent Neural Network," Proceedings of the AAAI Conference on Artificial Intelligence, vol. 33, no. 01, pp. 468-475, 07/17 2019, doi: 10.1609/aaai.v33i01.3301468.
2. [2] J. Lian, P. Dong, Y. Zhang, J. Pan, and K. Liu, "A Novel Deep Learning Approach for Tropical Cyclone Track Prediction Based on Auto-Encoder and Gated Recurrent Unit Networks " Applied Sciences, vol. 10, p. 3965, 2020, doi: 10.3390/app10113965.
3. [3] J. Yu, J. Tang, Y. Dai, and B. Yu, "Analyses in errors and their causes of Chinese typhoon track operational forecasts," Meteorol Monthly, vol. 38, pp. 695-700, 2012.
4. [4] M. Rüttgers, S. Lee, S. Jeon, and D. You, "Prediction of a typhoon track using a generative adversarial network and satellite images," Scientific Reports, vol. 9, no. 1, p. 6057, 2019/04/15 2019, doi: 10.1038/s41598-019-42339-y.
5. [5] J. S. Goerss, "Tropical cyclone track forecasts using an ensemble of dynamical models," Monthly Weather Review, vol. 128, no. 4, pp. 1187-1193, 2000.https://doi.org/10.1175/1520-0493(2000)128<1187:TCTFUA>2.0.CO;2 [DOI:10.1175/1520-0493(2000)1282.0.CO;2]
6. [6] S. Kim et al., "Deep-Hurricane-Tracker: Tracking and Forecasting Extreme Climate Events," in 2019 IEEE Winter Conference on Applications of Computer Vision (WACV), 7-11 Jan. 2019 2019, pp. 1761-1769, doi: 10.1109/WACV.2019.00192.
7. [7] J. Lian, P. Dong, Y. Zhang, J. Pan, and K. Liu, "A Novel Data-Driven Tropical Cyclone Track Prediction Model Based on CNN and GRU With Multi-Dimensional Feature Selection," IEEE Access, vol. 8, pp. 97114-97128, 2020, doi: 10.1109/ACCESS.2020.2992083.
8. [8] D. Alizadeh, A. A. Alesheikh, and M. Sharif, "Prediction of vessels locations and maritime traffic using similarity measurement of trajectory," Annals of GIS, pp. 1-12, 2020, doi: 10.1080/19475683.2020.1840434.
9. [9] M. Sharif and A. A. Alesheikh, "Context-aware movement analytics: implications, taxonomy, and design framework," WIREs Data Mining and Knowledge Discovery, 10.1002/widm.1233 vol. 8, no. 1, p. e1233, 2018/01/01 2018, doi: 10.1002/widm.1233. 10.1002/widm.1233
10. [10] M. M. Kordmahalleh, M. G. Sefidmazgi, A. Homaifar, and S. Liess, "Hurricane trajectory prediction via a sparse recurrent neural network," in Proceedings of the 5th International Workshop on Climate Informatics, 2015, pp. 2-3.
11. [11] Y. Zhang, R. Chandra, and J. Gao, "Cyclone Track Prediction with Matrix Neural Networks," in 2018 International Joint Conference on Neural Networks (IJCNN), 8-13 July 2018 2018, pp. 1-8, doi: 10.1109/IJCNN.2018.8489077.
12. [12] M. Sharif, A. A. Alesheikh, and B. Tashayo, "CaFIRST: A context-aware hybrid fuzzy inference system for the similarity measure of multivariate trajectories," Journal of Intelligent & Fuzzy Systems, vol. 36, pp. 5383-5395, 2019, doi: 10.3233/JIFS-181252.
13. [13] M. Sharif and A. A. Alesheikh, "A Review on the Process of Point Objects' Movement and Their Trajectory Similarity Measurement Approaches," (in eng), Geospatial Engineering Journal, Research vol. 7, no. 1, pp. 41-54, 2016. [Online]. Available: http://gej.issge.ir/article-1-151-fa.html.
14. [14] S.-J. Qiao, K. Jin, N. Han, C.-J. Tang, and G. Gesangduoji, "Trajectory prediction algorithm based on Gaussian mixture model," Journal of software, vol. 26, no. 5, pp. 1048-1063, 2015.
15. [15] H. Tang, Y. Yin, and H. Shen, "A model for vessel trajectory prediction based on long short-term memory neural network," Journal of Marine Engineering & Technology, pp. 1-10, 2019.
16. [16] M. M. Kordmahalleh, M. G. Sefidmazgi, and A. Homaifar, "A Sparse Recurrent Neural Network for Trajectory Prediction of Atlantic Hurricanes," presented at the Proceedings of the Genetic and Evolutionary Computation Conference 2016, Denver, Colorado, USA, 2016. [Online]. Available: [DOI:10.1145/2908812.2908834]
17. [17] Y. Chen, Q. Cheng, Y. Cheng, H. Yang, and H. Yu, "Applications of Recurrent Neural Networks in Environmental Factor Forecasting: A Review," Neural Computation, vol. 30, no. 11, pp. 2855-2881, 2018, doi: 10.1162/neco_a_01134 %M 30216144.
18. [18] D. Alizadeh, A. A. Alesheikh, and M. Sharif, "Vessel trajectory prediction using historical automatic identification system data," The Journal of Navigation, vol. 74, no. 1, pp. 156-174, 2021.
19. [19] Y. Wang, D. Zhang, Y. Liu, and K. L. Tan, "Trajectory Forecasting With Neural Networks: An Empirical Evaluation and A New Hybrid Model," IEEE Transactions on Intelligent Transportation Systems, vol. 21, no. 10, pp. 4400-4409, 2020, doi: 10.1109/TITS.2019.2943055.
20. [20] D. Wang, B. Liu, P.-N. Tan, and L. Luo, "OMuLeT: Online Multi-Lead Time Location Prediction for Hurricane Trajectory Forecasting," Proceedings of the AAAI Conference on Artificial Intelligence, vol. 34, no. 01, pp. 963-970, 04/03 2020, doi: 10.1609/aaai.v34i01.5444.
21. [21] M. Sharif and A. A. Alesheikh, "Similarity Measurement of Trajectories Based on Contextual Data in Constrained Euclidean Space," (in eng), Journal of Geomatics Science and Technology, Research vol. 5, no. 4, pp. 113-125, 2016. [Online]. Available: http://jgst.issge.ir/article-1-400-fa.html.
22. [22] M. Sharif and A. A. Alesheikh, "Context-awareness in similarity measures and pattern discoveries of trajectories: a context-based dynamic time warping method," GIScience & Remote Sensing, vol. 54, no. 3, pp. 426-452, 2017.
23. [23] M. Shaeri and R. Abbaspour, "Comparison of distance functions for similarity measurement in spatial trajectories," Journal of Geomatics Science and Technology, vol. 4, no. 3, pp. 201-212, 2015.
24. [24] A. Karatzoglou, A. Jablonski, and M. Beigl, "A Seq2Seq learning approach for modeling semantic trajectories and predicting the next location," in Proceedings of the 26th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2018, pp. 528-531.
25. [25] S. Gao et al., "A nowcasting model for the prediction of typhoon tracks based on a long short term memory neural network," Acta Oceanologica Sinica, vol. 37, no. 5, pp. 8-12, 2018/05/01 2018, doi: 10.1007/s13131-018-1219-z.
26. [26] M. James and L. Mason, "Synthetic tropical cyclone database," Journal of waterway, port, coastal, and ocean engineering, vol. 131, no. 4, pp. 181-192, 2005.
27. [27] M. James and L. Mason, "Generation of a synthetic tropical cyclone database," in Coasts & Ports 1999: Challenges and Directions for the New Century; Proceedings of the 14th Australasian Coastal and Ocean Engineering Conference and the 7th Australasian Port and Harbour Conference, 1999: National Committee on Coastal and Ocean Engineering, Institution of …, p. 381.
ارسال پیام به نویسنده مسئول


XML   English Abstract   Print


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

Farmanifard S, Alesheikh A A, Sharif M, Alizadeh D. Tropical Storm Path Prediction Using Long Short-Term Memory Model, Similarity Measurement of Trajectories and Contextual Information. jgit 2023; 11 (2) :1-16
URL: http://jgit.kntu.ac.ir/article-1-832-fa.html

فرمانی‌فرد سحر، آل‌شیخ علی‌اصغر، شریف محمد، علیزاده دانیال. پیش‌بینی مسیر طوفان‌های حاره‌ای با استفاده از مدل حافظه طولانی کوتاه-مدت، اندازه‌گیری تشابه خطوط سیر و اطلاعات زمینه‌ای. مهندسی فناوری اطلاعات مکانی. 1402; 11 (2) :1-16

URL: http://jgit.kntu.ac.ir/article-1-832-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 11، شماره 2 - ( 6-1402 ) 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 0.07 seconds with 37 queries by YEKTAWEB 4645