پیش بینی سری زمانی بخار آب قابل بارش با استفاده از شبکه عصبی حافظه کوتاه مدت طولانی

در این مقاله با استفاده از روش شبکه عصبی حافظه کوتاه مدت طولانی ( LSTM ) مقدار بخار آب قابل بارش ( PWV )، مدل سازی و پیش بینی شده است. مشاهدات ایستگاه GPS تهران در سال ۲۰۲۱ برای دو بازه زمانی روزهای ۷۱ تا ۱۲۳ در فصل بهار و روزهای ۲۵۴ تا ۳۰۹ در فصل پاییز مورد استفاده قرار گرفته است. برای ارزیابی عملکرد مدل، نتایج حاصل از مدل LSTM با نتایج ایستگاه رادیوسند تهران و مدل های تجربی GPT۳ و ساستاموینن مقایسه می شود. شاخص های آماری جذر خطای مربعی میانگین ( RMSE )، خطای نسبی و ضریب همبستگی برای بررسی دقت و صحت مدل ها استفاده می شوند. مقدار RMSE برای داده های آزمون مدل های LSTM ، GPT۳ و ساستاموینن در فصل بهار به ترتیب برابر با ۸ / ۱ ، ۴ / ۵ و ۲ / ۵ میلی متر است. مقدار RMSE سه مدل برای داده های آزمون در فصل پاییز به ترتیب برابر با ۳ / ۱ ، ۶ / ۳ و ۵ / ۳ میلی متر بهدست آمده است. نتایج بدست آمده از این مقاله نشان می دهد که مدل LSTM در مقایسه با مدل های تجربی و اندازه گیری های ایستگاه رادیوسوند، از دقت و صحت بالایی در برآورد مقدار بخار آب قابل بارش برخوردار است. در نتیجه مدل جد ید ارائه شده در این مقاله می تواند به عنوان جایگز ین مدل های تجربی در پیش بینی بخار آب قابل بارش باشد.

کلیدواژه ها:

بخار آب قابل بارش ، GPS ، تاخیر تروپسفری ، LSTM ، GPT۳ ، ساستاموینن