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
- سال انتشار: 1402
- محل انتشار: مجله فیزیک زمین و فضا، دوره: 49، شماره: 1
- کد COI اختصاصی: JR_JESPHYS-49-1_014
- زبان مقاله: فارسی
- تعداد مشاهده: 228
نویسندگان
نویسنده مسئول، گروه مهندسی نقشه برداری، دانشکده مهندسی علوم زمین، دانشگاه صنعتی اراک، اراک، ایران. رایانامه: mr.ghafari@arakut.ac.ir
گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، دانشگاه آزاد اسلامی واحد خوی، خوی، ایران. رایانامه: rdavarymajd@trn.ui.ac.ir
گروه مهندسی نقشه برداری، دانشکده مهندسی علوم زمین، دانشگاه صنعتی اراک، اراک، ایران. رایانامه: hooshangi@arakut.ac.ir
چکیده
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.کلیدواژه ها
بخار آب قابل بارش, GPS, تروپوسفر, GRNN, ANNاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.