پیش بینی بخار آب قابل بارش با رویکرد مبتنی بر مشاهدات کوتاه مدت GNSS

هدف این پژوهش، مدلسازی و پیش بینی بخار آب قابل بارش (PWV) با رویکرد مبتنی بر مشاهدات کوتاه مدت سامانه های تعیین موقعیت جهانی (GNSS) است. برای این منظور، سه مدل، شامل رگرسیون فرایند گاوسی (GPR)، درخت تصمیم تقویت شده با گرادیان (GBDT) و شبکه عصبی حافظه کوتاه مدت طولانی (LSTM)، برای پیش بینی روزهای ۳۱۳ تا ۳۱۵ سال ۲۰۲۱ با داده های پنج ایستگاه دائمی شبکه IPGN مورد استفاده قرار گرفتند. به منظور ارزیابی دقیق تر برآوردهای صورت یافته، از داده های بازتحلیل جوی (ERA۵) که توسط مرکز پیش بینی های میان مدت هواشناسی اروپا (ECMWF) تولید می شود، استفاده شده است. نتایج حاکی از مطلوب بودن عملکرد GPR در پیش بینی بخار آب قابل بارش به ویژه در ایستگاه TNGO با RMSE در حدود ۳.۰۶ میلی متر بود.

کلیدواژه ها:

PWV ، رگرسیون فرایند گاوسی ، شبکه عصبی حافظه کوتاه مدت طولانی ، درخت تصمیم تقویت شده باگرادیان ، GNSS