کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
8906349 | 1634409 | 2018 | 44 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Comparison of statistical iceberg forecast models
ترجمه فارسی عنوان
مقایسه مدل های پیش بینی یخبندان آماری
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
ترجمه چکیده
پیش بینی ریسک یخبندان کوتاه مدت چالش برانگیز است. عدم قطعیت های زیاد در نیروهای رانده - جریان، باد و امواج - معمولا پیش بینی های دقیق را پیشگیری می کند. به تازگی چندین مدل پیش بینی شده یخبندان پیشنهاد شده توسط نویسندگان ارائه شده است که از اندازه گیری موقعیت یخی استفاده می کنند تا پیش بینی های ریزش کوتاه مدت را بهبود بخشد. در این مقاله، این روش ها و مدل های پیش بینی آماری به طور خلاصه مورد بررسی قرار می گیرند. مقایسه گسترده ای بین مدل های آماری علاوه بر مدل پیش بینی یخبندان پویا بر روی چند مسیر رانش یخی انجام شده است. بر اساس این مقایسه یک طرح پیش بینی آماری جدید ارائه شده است که ترکیبی از برخی مزایای روش های دیگر است.
موضوعات مرتبط
مهندسی و علوم پایه
علوم زمین و سیارات
علوم زمین و سیاره ای (عمومی)
چکیده انگلیسی
Short-term iceberg drift prediction is challenging. Large uncertainties in the driving forces - current, wind and waves - usually prevent accurate forecasts. Recently several statistical iceberg forecast models have been proposed by the authors, which use iceberg position measurements to improve the short-term drift forecast. In this article these statistical forecast methods and models are briefly reviewed. An extensive comparison between the statistical models, in addition to a dynamic iceberg forecast model, is performed on several iceberg drift trajectories. Based on this comparison a new statistical forecast scheme is proposed that combines some of the advantages of the other methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Cold Regions Science and Technology - Volume 155, November 2018, Pages 69-89
Journal: Cold Regions Science and Technology - Volume 155, November 2018, Pages 69-89
نویسندگان
Leif Erik Andersson, Francesco Scibilia, Luke Copland, Lars Imsland,