A fast algorithm for automatic detection of ionospheric disturbances: DROT

Efendi, Emre; Arıkan, Feza

doi:10.1016/j.asr.2017.03.018

Cited by 8 publications

(3 citation statements)

References 40 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Literatürde, iyonosferik bozulmaların tespiti için tipik olarak, yer tabanlı çift frekanslı Küresel Navigasyon Uydu Sistemi (GNSS) alıcılarından kestirilen TEİ verilerine dayanan zamansal türev tabanlı yöntemler kullanılmıştır (Krankowski vd., 2006;Efendi & Arikan, 2017;Karatay vd., 2017;Karatay, 2020). İstatistikte Naive Bayes sınıflandırıcıları, özellikler arasındaki güçlü (naif) bağımsızlık varsayımları ile Bayes Teoremi'nin uygulanmasına dayanan basit "olasılıksal sınıflandırıcılar" ailesidir.…”

Section: Introductionunclassified

1999 Marmara Depremi ve Güneş Tutulmasının Naive Bayes Sınıflayıcısı ile İstatistiksel Analizi

Karatay¹,

Algahani²

2021

European Journal of Science and Technology

View full text Add to dashboard Cite

Özİyonosfer, atmosferin 50 ila 1000 km yükseklikleri arasında yer alan, güneşten gelen radyasyonla plazma durumuna iyonize olmuş, önemli bir katmanıdır. İyonosferik plazmanın en belirleyici parametresi, güneş, jeomanyetik ve sismik hareketlilikle ve güneş patlamaları, Güneş Lekelerinin Sayısı, güneş rüzgârı, jeomanyetik fırtınalarla değişkenlik ve bağlaşım gösteren elektron yoğunluğudur. Elektron yoğunluğunun ölçülebilir önemli bir niceliği de, iyonosfer ve üst atmosferin yapısını araştırmak için etkili bir yol sağlayan Toplam Elektron İçeriği'dir (TEİ). TEİ, bir ışın yolu boyunca elektron yoğunluğunun çizgi integrali veya bir ışın yolu boyunca toplam elektron sayısı olarak tanımlanmaktadır. İyonosferin uzamsal-zamansal değişkenliği, ayrıca, uzamsal-zamansal yönsemeler ve Yer'in manyetik alanındaki bozulmalar, yerçekimi dalgaları ve sismik hareketliliğin üst atmosfere ve iyonosfere bağlaşımından da etkilenmektedir. Bu değişkenliklerin bazıları iyonosferde belirli bir frekans, süre ve hızda yayılan dalga benzeri salınımlar üretir. Bu çalışmada, sismik, güneş ve jeomanyetik hareketliliğe bağlı olarak iyonosferde meydana gelen bozulmaların ve iyonosferin sakin olarak nitelendirilen durumundan sapmaların tespiti için Naive Bayes Sınıflandırıcısı kullanılmıştır. Naive Bayes Sınıflandırıcısı, Türkiye üzerinde konumlandırılmış Yerküresel Konumlama Sistemi (YKS) istasyonlarından 1999 yılında meydana gelen güneş tutulması ve Marmara Depremi periyodunca kestirilen TEİ verilerine uygulanmıştır.

show abstract

Section: Introductionunclassified

1999 Marmara Depremi ve Güneş Tutulmasının Naive Bayes Sınıflayıcısı ile İstatistiksel Analizi

Karatay¹,

Algahani²

2021

European Journal of Science and Technology

View full text Add to dashboard Cite

show abstract

“…This manual process is problematic when processing large data volume. Only a few studies have focused on the automatization of detection procedures in the ionosphere but only at low frequencies (Efendi & Arikan 2017;Belehaki et al 2020). Ravanelli et al (2021) investigated the use of both GNSS ground and ionospheric TEC measurements for NRT tsunami genesis estimation.…”

mentioning

confidence: 99%

Near-real-time detection of co-seismic ionospheric disturbances using machine learning

Brissaud

Astafyeva

2022

Geophysical Journal International

View full text Add to dashboard Cite

Summary Tsunamis generated by large earthquake-induced displacements of the ocean floor can lead to tragic consequences for coastal communities. Ionospheric measurements of Co-Seismic Disturbances (CIDs) offer a unique solution to characterize an earthquake’s tsunami potential in Near-Real-Time (NRT) since CIDs can be detected within 15 min of a seismic event. However, the detection of CIDs relies on human experts, which currently prevents the deployment of ionospheric methods in NRT. To address this critical lack of automatic procedure, we designed a machine-learning based framework to (1) classify ionospheric waveforms into CIDs and noise, (2) pick CID arrival times, and (3) associate arrivals across a satellite network in NRT. Machine-learning models (random forests) trained over an extensive ionospheric waveform dataset show excellent classification and arrival-time picking performances compared to existing detection procedures, which paves the way for the NRT imaging of surface displacements from the ionosphere.

show abstract

“…This manual process is problematic for processing large data volume to detect CIDs and estimate seismic source parameters. Only a few studies have focused on the automatization of detection procedures in the ionosphere but only at low frequencies (Efendi & Arikan 2017;Belehaki et al 2020). Ravanelli et al (2021) investigated the use of both GNSS ground and ionospheric TEC measurements for NRT tsunami genesis estimation.…”

mentioning

confidence: 99%

Near-real-time detection of co-seismic ionospheric disturbances using machine learning

Brissaud¹,

Astafyeva²

2021

Preprint

View full text Add to dashboard Cite

Tsunamis generated by large earthquake-induced displacements of the ocean floor can lead to tragic consequences for coastal communities. Ionospheric measurements of Co-Seismic Disturbances (CIDs) offer a unique solution to characterize an earthquake's tsunami potential in Near-Real-Time (NRT) since CIDs can be detected within 15min of a seismic event. However, the detection of CIDs rely on human experts which currently prevents the deployment of ionospheric methods in NRT. To address this critical lack of automatic procedure, we train machine-learning models (random forests) over an extensive ionospheric waveform dataset to (1) classify ionospheric waveforms between CIDs and noise,(2) pick arrival times, and (3) associate arrivals across a satellite network in NRT. Our model shows excellent classification and arrival-time picking performances (∼ 95% recall, average error < 10 s). This model is the first automatic CID detector which paves the way for the NRT imaging of surface displacements from the ionosphere.

show abstract

A fast algorithm for automatic detection of ionospheric disturbances: DROT

Cited by 8 publications

References 40 publications

1999 Marmara Depremi ve Güneş Tutulmasının Naive Bayes Sınıflayıcısı ile İstatistiksel Analizi

1999 Marmara Depremi ve Güneş Tutulmasının Naive Bayes Sınıflayıcısı ile İstatistiksel Analizi

Near-real-time detection of co-seismic ionospheric disturbances using machine learning

Near-real-time detection of co-seismic ionospheric disturbances using machine learning

Contact Info

Product

Resources

About