ارزیابی روش های درون یابی تاخیر وردسپهری حاصل از مشاهدات ایستگاه های پراکنده سامانه تعیین موقعیت جهانی

این مطالعه به بررسی روش های درون یابی مقدار بخار آب قابل بارش PWV (Precipitable Water Vapor) با استفاده از داده های ایستگاه های GPS (Global Positioning System) پراکنده در منطقه لس آنجلس می پردازد. منطقه موردمطالعه به دلیل تنوع جغرافیایی و اقلیمی، شامل مناطق ساحلی، کوهستانی و دشت ها، و همچنین تغییرات فصلی، برای ارزیابی روش های مختلف انتخاب شده است. روش های مختلف درون یابی مورد بررسی، شامل عیارسنجی (Kriging)، ماشین بردار پشتیبان SVM (Support Vector Machine)، جنگل تصادفیRF  (Random Forest)، همسایگی طبیعی NN (Natural Neighbor) و شبکه عصبی مصنوعی ANN (Artificial Neural Network)، بودند. ابتدا تاخیر تروپسفری محاسبه و تاثیر پارامترهای هواشناسی مانند دمای سطح (Surface Temperature)، فشار سطح (Surface Pressure) و میانگین وزنی دما (Weighted Mean Temperature) بر PWV بررسی شد. نتایج نشان داد که مدل SVM به دلیل توانایی بالا در مدل سازی روابط غیرخطی، بهترین عملکرد را داشته و در مناطق کوهستانی دقت بیشتری ارائه داده است. همچنین، روش عیارسنجی نیز عملکرد مناسبی داشت، اما به دلیل فرض های ساده تر، ضعیف تر از SVM عمل کرد. جنگل تصادفی نیز به دلیل نیاز به داده های متراکم، نتایج مطلوبی ارائه نکرد. نتایج در تاریخ های ۲۴ ژوئیه ۲۰۲۱ و ۲۸ ژانویه ۲۰۲۲، با تحلیل های آماری تایید شد. نقشه های توزیعPWV  جو نیز تهیه و تحلیل شدند که تغییرات زمانی و فضایی PWV را نشان دادند. این مطالعه به اهمیت انتخاب صحیح روش های درون یابی برای برآورد دقیقPWV  و کاربرد آنها در پیش بینی های جوی تاکید دارد.

کلیدواژه ها:

بخار آب قابل بارش ، جنگل تصادفی ، سامانه تعیین موقعیت جهانی ، شبکه عصبی مصنوعی ، ماشین بردار پشتیبان