بررسي عملكرد آرايش دوجفت ماهواره خطي گريس در فرآيند كاهش اليازينگ ناشي از مولفه هاي جزر و مدي N2 و S2‌‌

Impact of GRACE inline and Bender gravity satellite missions on the tidal components errors de-aliasing of N2 and S2

جزر و مد اقيانوس‌ها خطاي اليازينگ قابل‌توجهي در مشاهدات گراني سنجي ماموريت‌هاي ماهواره‌اي نظير گريس ايجاد مي‌كند. مطالعات گوناگون در زمينه ماموريت‌هاي آينده نشان مي‌دهد كه در صورت استفاده از تكنولوژي ليزر در امر اندازه‌گيري فاصله ميان دو ماهواره نظير گريس كه آرايش خطي دارند، نويز مشاهدات به‌طور قابل‌توجهي كاهش مي‌يابد. در اين صورت، خطاي اليازينگ حاصل از جزر و مد به‌عنوان مهم‌ترين منبع خطا در مشاهدات باقي مي‌ماند. در اين مقاله ميزان كارآمدي روش حذف خطاي اليازينگ مورد استفاده در مرحله پس پردازش، براي مشاهدات حاصل از دو جفت ماهواره مورد بررسي قرار مي‌گيرد. بدين منظور، نحوه نمونه‌برداري چند مولفه جزر و مدي در دو آرايش ماهواره‌اي مختلف مورد بررسي قرار گرفت. با استفاده از الگوي مدار تكراري و زمان نمونه‌برداري مشاهدات، پريود اليازينگ هر مولفه به‌طور مجزا محاسبه گرديد. نتايج حاصل از بزرگي دامنه و نحوه توزيع خطاي اليازينگ جزر و مدي نشان مي‌دهد، آرايش دو جفت ماهواره نسبت به يك جفت ماهواره نقش مهم‌تري را در فرآيند حذف و كاهش خطاي اليازينگ بازي مي‌كند. هم‌چنين، با استفاده از عملگر كمترين مربعات، خطاي اليازينگ به‌طور قابل‌توجهي كاهش مي‌يابد.

Cognition of travel mode and travel demand is of prime importance to transportation communities and agencies in every country. If the precise transportation modes of individual users are recognized, a more realistic travel demand can be considered. Also, in location-based service, the knowledge of a traveler’s transportation mode is applied to send targeted and customized informative advertisements. This study examines the feasibility of using a neuro-fuzzy inference system to automatically detect the mode of transportation from GPS data collected by GPS-enabled mobile phones. To achieve this, the knowledge was extracted in the form of fuzzy rules from the data and, then, the rules are being used for determination of transportation’s mode. For this purpose, the model was examined in two cases. In the first case, all GPS data from mobile devices were used, while in the second case the critical point algorithm was exercised. In addition to reducing the size of required GPS datasets, the critical point algorithm decreases data collection cost and saving mobile phone resources such as its battery life. The results showed that the suggested model have the capability of detecting a transportation mode with 94/1 percent accuracy in case of using all GPS data and 95.5 percent accuracy in case of using critical points.