فهرست نشریات علمی دسترسی آزاد ایران

در این مقاله ایده استفاده از روش شبکه‌عصبی حافظه کوتاه‌مدت طولانی (LSTM) جهت مدل‌سازی و پیش‌بینی مکانی-زمانی مقدار بخار آب قابل بارش (PWV) به‌عنوان یک روش جدید ارائه شده است. مدل LSTM  به‌دلیل ساختار خاص خود، قادر است اطلاعات مهم را در طول زمان حفظ و مشکلاتی مانند محو شدگی یا انفجار گرادیان را حل کند. این ویژگی‌ها باعث می‌شود که LSTM در پردازش داده‌های سری زمانی و مسائلی که نیاز به حفظ ترتیب زمانی دارند، بسیار کارآمد باشد. جهت ارزیابی مدل جدید، مشاهدات 5 ایستگاه GPS شبکه تهران در سال ۲۰۲۱ برای بازه زمانی روزهای 312 الی 347 و در سال 2022 برای بازه زمانی روزهای 33 الی 78 مورد استفاده قرار گرفته است. از بین این 5 ایستگاه GPS، ایستگاه هشتگرد که در فاصله بیشتری از سایر ایستگاه‌ها قرار دارد، به‌عنوان ایستگاه آزمون انتخاب شده است. در مرحله آزمون، نتایج حاصل از مدل LSTM با نتایج مدل شبکه‌عصبی رگرسیون عمومی (GRNN) و مدل‌های تجربی GPT3 و ساستاموینن مقایسه شده است. شاخص‌های آماری جذر خطای مربعی میانگین (RMSE) و ضریب همبستگی برای بررسی دقت و صحت مدل‌ها استفاده می‌شوند. مقدار RMSE مدل‌های LSTM، GRNN، GPT3 و ساستاموینن در سال 2021، به‌ترتیب 5/0 و 34/1 و 12/7 و 65/7 میلی‌متر است. در سال 2022 مقدار RMSE به‌ترتیب برابر با 9/0 و 19/1 و 32/3 و28/3 میلی‌متر به دست آمده است. نتایج به‌دست آمده از این مقاله نشان می‌دهد که مدل LSTM در مقایسه با مدل GRNN و مدل‌های تجربی، از دقت و صحت بالایی در برآورد مقدار بخار آب قابل بارش برخوردار است. در نتیجه مدل جدید ارائه‌شده در این مقاله می‌تواند به‌عنوان جایگزین سایر مدل‌ها در پیش‌بینی بخار آب قابل بارش باشد.