Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô hình hóa các biến radioclimatic chính trong khí quyển ở Nigeria cho các ứng dụng truyền sóng vô tuyến vi ba
Tóm tắt
Khi công nghệ hiện đại tiến bộ, nhiều hệ thống thông tin liên lạc vô tuyến áp dụng phổ vi sóng và sóng milimet. Tuy nhiên, các yếu tố khí tượng tác động đến tín hiệu thông tin liên lạc vô tuyến hoạt động ở vi sóng và sóng milimet đã là mối quan tâm của các kỹ sư vô tuyến. Việc xác định khả năng khúc xạ vô tuyến yêu cầu đầu vào là các tham số khí tượng như nhiệt độ, độ ẩm và áp suất khí quyển. Để đánh giá mức độ suy giảm do các tham số khí quyển, khả năng đo lường dễ dàng các tham số khí tượng này rất quan trọng trong việc lập kế hoạch cho các mạng lưới thông tin liên lạc vô tuyến có chất lượng tốt. Trong nghiên cứu này, dữ liệu khí tượng vệ tinh trong năm năm (2013–2017) bao gồm nhiệt độ không khí, độ ẩm tương đối, và áp suất đã được thu thập từ Trung tâm Dự báo Thời tiết Trung bình Châu Âu (ECMWF) tại bốn thời điểm trong ngày (00:00 LT, 00:06 LT, 12:00 LT, và 18:00 LT) hàng ngày để mô hình hóa các biến khí hậu vô tuyến cần thiết ở Nigeria. Dữ liệu được thu thập cho 26 địa điểm dựa trên bốn khu vực khí hậu ở Nigeria. Phân tích hồi quy đa biến của dữ liệu đã được thực hiện và các hệ số (bo, b1, …, b6) đã được thu được để dự đoán hiệu quả nhiệt độ, áp suất và độ ẩm tương đối hàng tháng ở mức bề mặt. Tám trạm đã được sử dụng để xác thực; hai mỗi khu vực khí hậu của Nigeria dựa trên hệ số xác định (R2), sai số tuyệt đối trung bình (MAE), và sai số bình phương trung bình (RMSE). Các tham số khí tượng đã được so sánh dựa trên phân tích hồi quy đa biến (MRA) và các kỹ thuật nội suy điều chỉnh (Kriging và Khoảng cách nghịch đảo - IDW). Ba phương pháp này thể hiện độ chính xác gần như tốt trong dự đoán, tuy nhiên, MRA được phát hiện có dự đoán tốt hơn cho các tham số khí tượng ở Nigeria. Do đó, trong việc dự đoán các tham số chỉ số khúc xạ bằng cách sử dụng MRA, các RMSE cho phép đối với nhiệt độ, áp suất, và độ ẩm tương đối lần lượt là 0.559, 4.693, và 0.267. Tương tự, các MAE cho phép đối với nhiệt độ, áp suất và độ ẩm tương đối lần lượt là 0.492, 0.229, và 3.837.
Từ khóa
#khí tượng #vi sóng #sóng milimet #khúc xạ vô tuyến #hồi quy đa biến #nội suy Kriging #khoảng cách nghịch đảoTài liệu tham khảo
Reinhardt K, Samimi C (2018) Comparison of different wind data interpolation methods for a region with complex terrain in Central Asia. Clim Dyn 51:3635–3652
Piazza AD, Conti FL, Viola F, Eccel E, Noto LV (2015) Comparative analysis of spatial interpolation methods in the mediterranean area: application to temperature in sicily. Water 7:1866–1888
Manene MM, Muthama, NJ, Ndetei CJ (2013) Use of polynomial fit to predict seasonal rainfall in Nairobi, Kenya. A world-Class University committed to scholarship excellence. Proceedings, 1–5
Su-Na K, Woo-Kyun L, Shin K-II, Kafatos M, Seo DJ, Kwak H-B (2010) Comparison of spatial interpolation techniques for predicting climate factors in Korea. For Sci Technol 6(2):97–109
Appelhans T, Mwangomo E, Hardy DR, Hemp A, Nauss T (2015) Evaluating machine learning approaches for the interpolation of monthly air temperature at Mt. Kilimanjaro. Tanzania Spat Stat 14:91–113
Li J, Heap AD, Potter A, Daniell JJ (2011) Application of machine learning methods to spatial interpolation of environmental variables. Environ Model Softw 26:1647–1659
Goodale CL, Aber JD, Ollinger SV (1998) Mapping monthly precipitation, temperature, and solar radiation for Ireland with polynomial regression and a digital elevation model. Clim Res 10(1):35–49. https://doi.org/10.3354/cr010035
Ostertagová E (2012) Modelling using polynomial regression. Procedia Eng 48:500–506. https://doi.org/10.1016/j.proeng.2012.09.545
John SS (2005) Introduction to RF propagation. John Wiley and Sons, Inc., Hoboken, New Jersey
Akpootu D (2017) Estimation of Tropospheric Radio Refractivity and Its Variation with Meteorological Parameters over Ikeja, Nigeria. J Geogr, Environ Earth Sci Int 10(1):1–12
Hengl T (2009) A Practical Guide to Geostatistical Mapping. http://spatial-analyst.net/book/
Deutsch CV, Journel AG (1998) Geostatistical software library and user’s guide, 2nd edn. Oxford University Press, New York, Oxford, p 369
Akpinar S, Akpinar EK (2010) Modeling of weather data for the east Anatolia region of Turkey. J Urban Environ Eng 4(1):9–22. https://doi.org/10.4090/juee.2010.v4n1.009022
Rodriguez-Lado L, Sparovek G, Vidal-Torrado P, Dourado-Neto D, Macias-Varquez F (2007) Modelling of air temperature for the state of sao paulo. Braz. Sci. Agric. Scientia Agricola (Piracicaba Braz.) 64(5):460–467
Curtis DC, Clyde BS (1999) Comparing spatial distributions of rainfall derived from rain gauges and radar. J Floodplain Manag 1:9–21
Zhao C, Nan Z, Cheng G (2005) Methods for modeling of temporal and spatial distribution of air temperature at landscape scale in the southern Qilian Mountains, China. Ecol Model 189:209–220
Liu J, Chen H, Yang W (2009) Comparison of interpolation methods on annual mean precipitation in Hebei Province. Acta Ecol Sin 29(7):3493–3500
Wang J (2004) Research on spline interpolation poisedness and interpolation approach problems. Dalian university of technology, Dalian, China