مروری بر داده های خطا و عوامل ایجاد آنها در داده های حاصل از کمی سازی تغییرات خط ساحلی

نویسندگان

1 دانشکده مهندسی دریا، دانشگاه صنعتی امیرکبیر

2 دانشکده علوم و فنون دریائی، دانشگاه هرمزگان

چکیده

داده های حاصل از کمی سازی تغییرات خط ساحلی در طی زمان، به عنوان مبنای بسیاری از برنامه های مدیریت یکپارچه منطق ساحلی به شمار می آیند. جهت حصول نتایج مطلوب از این داده ها، آنها باید نماینده واقعی مشاهدات بوده و غیر واقع یا اشتباه نباشند. عوامل متعددی ممکن است در داده های تغییرات خط ساحلی سبب بروز داده مشکوک به خطا شوند. در این تحقیق به معرفی داده های مشکوک به خطا، عوامل ایجاد آنها در داده های تغییرات خط ساحلی، روش های شناسایی و نحوه برخورد جهت کاهش نقش آنها در دقت محاسبات، پرداخته شده است.

کلیدواژه‌ها


عنوان مقاله [English]

A Review Of theError Dataand CausesThem in Results from the Quantitative Changes of the Shoreline

نویسندگان [English]

  • Kumars Mahmoudi 1
  • Abbas Moradi 2
  • Mesbah Sayebani 1
چکیده [English]

Berthing, Marine Fender, Mooring, Ship.Data from Quantitative of shoreline changes over timeis considered as the basis formany of the coastal zone management programs. To achieve the desired results from this data, they should be representative of the actual observations and not unreal or wrong. Several factors may cause the suspected error in the shoreline change data. In this research the suspected error, causes them in the shoreline change data, Identify ways to reduce their role in the accuracy and handling is introduced.      Keywords:

کلیدواژه‌ها [English]

  • Shoreline
  • Quantitative of shoreline
  • Suspected error
  • Outlier Detection
    [1]             محمودی، کیومرث؛ سایبانی، مصباح؛ مرادی، عباس؛ "شـناسایی خـطاهـای موجود در برداشت داده­های آزمایشگاهی، با استفاده از الگوریتم­های تشخیص داده خطا"، پانزدهمین کنفرانس دینامیک شاره‌ها  FD2013، بندرعباس، دانشگاه هرمزگان، 27- 29  آذر 1392.

    [2]            محمودی، کیومرث؛ کتابداری، محمد جواد؛ سایبانی، مصباح؛ "شناسایی داده­های مشکوک به خطا، در داده­های تعیین الگوی جریان"، پانزدهمین کنفرانس دینامیک شاره‌ها  FD2013، بندرعباس، دانشگاه هرمزگان، 27- 29  آذر 1392.

   [3]            Barnett, V; Lewis, T; Outliers in Statistical Data, New York, NY, John Wiley and Sons, 3rd edition, 1994.

   [4]            Johnson, R; Applied Multivariate Statistical Analysis, Prentice Hall, 1992.

   [5]            Grubbs, F. E; “Procedures for detecting outlying observations in samples”, Technometrics, Vol. 11, pp. 1–21, 1969.

   [6]            Hawkins, D; Identification of Outliers, Chapman and Hall, London, 1980.

   [7]            Papadimitriou, S; Kitawaga, H; Gibbons, P.G; Faloutsos, C; “LOCI: Fast Outlier Detection Using the Local Correlation Integral”, Intel research Laboratory Technical report no. IRP-TR-02-09, 2002.

   [8]            Billor, N; Hadi, A; Velleman, P; “BACON: Blocked Adaptive Computationally Efficient Outlier Nominators”, Computational Statistics and Data Analysis, Vo. 34, pp. 279-298, 2000.

   [9]            Eskin, E; “Anomaly Detection over Noisy Data using Learned Probability Distributions”, Proceedings of the Int. Conf. on Machine Learning, Stanford University, CA, June 2000.

[10]            Aggarwal, C. C; Yu, P; “Outlier detection for high dimensional data”, In Proceedings of the ACM SIGMOD International Conference on Management of Data, 2001.

[11]            Zwass, V., "Management information systems". New York, Wm. C. Brown; 1992.

[12]            Breunig, M. M; Kriegel, H.P; Ng, R.T; Sander, J; “LOF: Identifying Density Based Local Outliers”, In Proceedings of the ACM SIGMOD Conference, Dallas, TX, May 2000.

[13]            Knorr, E. M; Ng, R. T; “Algorithms for Mining Distance-based Outliers in Large Dataset”, In Proc. of 24th International Conference on Very Large Data Bases (VLDB’98), New York, NY, pp 392-403, 1998.

[14]            Yu, D; Sheikholeslami, G; Zhang, A; “FindOut: Finding Outliers in Very Large Datasets”, The Knowledge and Information Systems (KAIS), Vol. 4, No. 4, October 2002.

[15]            Eskin, E; Arnold, A; Prerau, M; Portnoy, L; Stolfo, S; “A Geometric Framework for Unsupervised Anomaly Detection: Detecting Intrusions in Unlabeled Data”, in Applications of Data Mining in Computer Security, Advances In Information Security, Jajodia, S; Barbara, D; Boston, Ed; Kluwer Academic Publishers, 2002.

[16]            چاندرا، آ.م؛ گوش، س.ک؛ ترجمه: علوی پناه، سید کاظم، لدنی، مسلم؛  سنجش از دور و سامانه اطلاعات جغرافیایی، چاپ اول، انتشارات دانشگاه تهران، سال انتشار 1389.

[17]            Thieler, E.R; Himmelstoss, E.A; Zichichi, J.L; and Ergul, Ayhan. “Digital Shoreline Analysis System (DSAS) version 4.0 — An ArcGIS extension for calculating shoreline change”, U.S. Geological Survey Open-File Report 2008-1278. 2009.

[18]            Liu, J. K. “Developing Geographic Information System Applications in Analysis of Responses to Lake Erie Shoreline Changes”, M.S. thesis, The Ohio State University, 1998.

[19]            Galgano, F; and Douglas, B. “Shoreline Position Prediction: Methods and Errors”, Environmental Geosciences, Vol. 7, No. 1. pp. 23-31. 2000.

[20]            Hawkins, D; “Identification of Outliers”, Chapman and Hall, 1980.