خرید و دانلود نسخه کامل کتاب Tsunami Data Assimilation for Early Warning

توضیحاتی در مورد کتاب

این کتاب بر پیشنهاد سیستم هشدار اولیه سونامی با استفاده از همسان سازی داده های داده های فراساحلی تمرکز دارد. ابتدا، جذب داده‌های سونامی مبتنی بر تابع گرین (GFTDA) برای کاهش زمان محاسبه برای جذب پیشنهاد شده‌است. می تواند شکل موج را در نقاط مورد علاقه (PoIs) با برهم قرار دادن توابع گرین بین ایستگاه های رصدی و PoI ها پیش بینی کند. GFTDA به دقت بالایی در پیش‌بینی سونامی با رویکردهای قبلی دست می‌یابد، در حالی که در زمان کافی برای دستیابی به هشدار اولیه صرفه‌جویی می‌کند. دوم، یک روش شبیه‌سازی داده‌های سونامی اصلاح‌شده برای مناطقی با یک شبکه رصدی پراکنده بررسی می‌شود. این روش از شکل موج های درونیابی شده در ایستگاه های مجازی برای ساخت جبهه موج کامل برای انتشار سونامی استفاده می کند. کاربرد آن در سال 2009 Dusky Sound، زلزله نیوزلند، و زلزله Illapel در سال 2015 نشان داد که استفاده از ایستگاه های مجازی دقت پیش بینی سونامی را برای مناطق بدون شبکه رصد متراکم به میزان زیادی بهبود می بخشد. در نهایت، یک الگوریتم تشخیص سونامی در زمان واقعی با استفاده از تجزیه حالت تجربی گروهی (EEMD) ارائه شده است. سیگنال‌های سونامی فشارسنج پایین ساحلی را می‌توان به‌طور خودکار از اجزای جزر و مد، امواج لرزه‌ای و نویز پس‌زمینه جدا کرد. این الگوریتم می‌تواند ورود سونامی را با تاخیر تشخیص کوتاه تشخیص دهد و دامنه سونامی را با دقت مشخص کند. علاوه بر این، رویکرد شبیه‌سازی داده‌های سونامی با الگوریتم تشخیص سونامی در زمان واقعی ترکیب شده است که برای سونامی زلزله فوکوشیما در سال 2016 اعمال می‌شود. رویکرد شبیه‌سازی داده‌های سونامی پیشنهادی را می‌توان با کمک الگوریتم تشخیص سونامی بلادرنگ به کار برد.