برآورد بخار آب قابل بارش (PWV) با استفاده از مدل شبکه عصبی رگرسیون عمومی (GRNN) و مقایسه آن با مدل های توموگرافی، ECMWF، ساستاموینن، GPT۳ و ANN
محل انتشار: مجله فیزیک زمین و فضا، دوره: 49، شماره: 1
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 154
فایل این مقاله در 22 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JESPHYS-49-1_014
تاریخ نمایه سازی: 26 مهر 1402
چکیده مقاله:
در این مقاله مقدار بخار آب قابل بارش (PWV) با استفاده از مدل شبکه عصبی رگرسیون عمومی (GRNN) به صورت مکانی-زمانی مدل سازی و پیش بینی می شود. هشت پارامتر طول، عرض و ارتفاع جغرافیایی ایستگاه GPS، روز مشاهده (DOY)، زمان (min.)، رطوبت نسبی (RH)، دما (T) و فشار (P) به عنوان ورودی های مدل های GRNN و ANN در نظر گرفته شده و PWV متناظر با این هشت پارامتر، به عنوان خروجی هستند. جهت ارزیابی مدل های GRNN و ANN، از مشاهدات ایستگاه های شبکه شمال غرب ایران و شبکه البرز مرکزی استفاده شده است. در شبکه شمال غرب از مشاهدات ۲۳ ایستگاه GPS در بازه زمانی روزهای ۳۰۰ الی ۳۱۴ از سال ۲۰۱۱ (فصل زمستان) استفاده می شود. برای شبکه البرز مرکزی مشاهدات ۱۱ ایستگاه در بازه زمانی روزهای ۱۶۲ الی ۱۷۶ از سال ۲۰۱۶ (فصل تابستان) بکار گرفته شده است. نتایج حاصل از مدل های GRNN و ANN در دو ایستگاه کنترل داخلی، یک ایستگاه کنترل خارجی (خارج از محدوده شبکه GPS موردمطالعه)، همچنین در ایستگاه رادیوسوند تبریز (N۰۸/۳۸، E۲۸/۴۶) و رادیوسوند تهران (N۶۸/۳۵، E۳۵/۵۱) با نتایج حاصل از مدل های توموگرافی المان های حجمی (VBT)، مدل ECMWF، ساستاموینن و GPT۳ مقایسه و ارزیابی می شوند. پارامترهای آماری جذر خطای مربعی میانگین (RMSE)، خطای نسبی و ضریب همبستگی (R) برای بررسی دقت و صحت مدل ها استفاده می شوند. در شبکه شمال غرب و فصل زمستان، میانگین مقدار RMSE مدل های GRNN، ANN، VBT، ECMWF، ساستاموینن و GPT۳ در دو ایستگاه کنترل داخلی به ترتیب برابر با ۱۴/۲، ۵۷/۲، ۳۲/۳، ۶۳/۳، ۳۱/۶، ۳۵/۴ میلی متر محاسبه شده است. همچنین، در شبکه البرز مرکزی و فصل تابستان، میانگین مقدار RMSE مدل ها به ترتیب برابر با ۰۱/۲، ۴۲/۲، ۲۴/۳، ۲۶/۳، ۰۰/۶ و ۰۶/۴ میلی متر حاصل شده است. در ایستگاه کنترل خارجی و در هر دو شبکه مورد بررسی، خطای مدل GRNN از مدل های ANN، VBT و ساستاموینن کمتر ولی از مدل های ECMWF و GPT۳ بیشتر است. نتایج این مقاله نشان می دهد که مدل جدید GRNN از دقت و صحت بسیار بالایی در مقایسه با سایر مدل های تحلیلی و تجربی تروپوسفر در محدوده شبکه موردمطالعه برخوردار است. این مدل قابلیت نشان دادن تغییرات زمانی-مکانی بخار آب قابل بارش را با دقت بالا داشته و می تواند جایگزین مدل های تحلیلی و تجربی دیگر شود.
نویسندگان
سید رضا غفاری رزین
نویسنده مسئول، گروه مهندسی نقشه برداری، دانشکده مهندسی علوم زمین، دانشگاه صنعتی اراک، اراک، ایران. رایانامه: mr.ghafari@arakut.ac.ir
رضا داوری مجد
گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، دانشگاه آزاد اسلامی واحد خوی، خوی، ایران. رایانامه: rdavarymajd@trn.ui.ac.ir
نوید هوشنگی
گروه مهندسی نقشه برداری، دانشکده مهندسی علوم زمین، دانشگاه صنعتی اراک، اراک، ایران. رایانامه: hooshangi@arakut.ac.ir
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :