Por favor, use este identificador para citar o enlazar este ítem:
http://rid.unrn.edu.ar/handle/20.500.12049/6666
Título: | Goodness-of-fit Based Weather Radar Ground Clutter Model Selection |
Autor(es): | Echevarria, Santiago Cogo, Jorge Pascual, Juan Pablo |
Fecha de publicación: | sep-2019 |
Revista: | XVIII Reunión de Trabajo en Procesamiento de la Información y Control - RPIC 2019 |
Resumen: | En muchos estudios, se utilizan diferentes modelos para el clutter de radar meteorológico, cada uno con sus ventajas y desventajas. En este artículo utilizamos un método de selección de modelos mediante test de bondad de ajuste (GoF) sobre la densidad espectral de potencia. El desempeño del test Tp de Barlett se estudia en primer lugar utilizando datos sintéticos de radar. Este test específico tiene la ventaja de ser independiente del modelo. Con este test comparamos el GoF de diferentes modelos de clutter con datos de medición reales obtenidos de un radar meteorológico argentino (Radar Meteorológico Argentino, RMA). Se evalúan la forma gaussiana para la densidad espectral de potencia (DEP), con y sin considerar los efectos de ventana, y un modelo autorregresivo (AR) de primer orden, ya que son los más populares en aplicaciones de radares meteorológicos. También sugerimos truncar el espectro al rango de frecuencias de clutter porque muestra una mejora para la selección del modelo. Como resultado, el modelo AR de primer orden ofrece una tasa de aceptación de prueba más alta que los otros modelos. |
URI: | http://rid.unrn.edu.ar/handle/20.500.12049/6666 |
Identificador DOI: | 10.1109/RPIC.2019.8882182 |
Otros enlaces: | https://ieeexplore.ieee.org/document/8882182 |
Aparece en las colecciones: | Objetos de conferencia |
Archivos en este ítem:
Archivo | Descripción | Tamaño | Formato | |
---|---|---|---|---|
RPIC2019_082.pdf | 1,64 MB | Adobe PDF | Visualizar/Abrir |
Este documento es resultado del financiamiento otorgado por el Estado Nacional, por lo tanto queda sujeto al cumplimiento de la Ley N° 26.899
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons