Skip navigation
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.pdf1,64 MBAdobe PDFVisualizar/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 Creative Commons