فهرست نشریات علمی دسترسی آزاد ایران

در این مقاله مقدار بخار آب قابل بارش (PWV) با استفاده از مدل شبکه عصبی رگرسیون عمومی (GRNN) به‌صورت مکانی-زمانی مدل‌سازی و پیش‌بینی می‌شود. هشت پارامتر طول، عرض و ارتفاع جغرافیایی ایستگاه GPS، روز مشاهده (DOY)، زمان (min.)، رطوبت نسبی (RH)، دما (T) و فشار (P) به‌عنوان ورودی‌های مدل‌های GRNN و ANN در نظر گرفته شده و PWV متناظر با این هشت پارامتر، به‌عنوان خروجی هستند. جهت ارزیابی مدل‌های GRNN و ANN، از مشاهدات ایستگاه‌های شبکه شمال غرب ایران و شبکه البرز مرکزی استفاده شده است. در شبکه شمال غرب از مشاهدات 23 ایستگاه GPS در بازه زمانی روزهای 300 الی 314 از سال 2011 (فصل زمستان) استفاده می‌شود. برای شبکه البرز مرکزی مشاهدات 11 ایستگاه در بازه زمانی روزهای 162 الی 176 از سال 2016 (فصل تابستان) بکار گرفته شده است. نتایج حاصل از مدل‌های GRNN و ANN در دو ایستگاه کنترل داخلی، یک ایستگاه کنترل خارجی (خارج از محدوده شبکه GPS موردمطالعه)، همچنین در ایستگاه رادیوسوند تبریز (N08/38، E28/46) و رادیوسوند تهران (N68/35، E35/51) با نتایج حاصل از مدل‌های توموگرافی المان‌های حجمی (VBT)، مدل ECMWF، ساستاموینن و GPT3 مقایسه و ارزیابی می‌شوند. پارامترهای آماری جذر خطای مربعی میانگین (RMSE)، خطای نسبی و ضریب همبستگی (R) برای بررسی دقت و صحت مدل‌ها استفاده می‌شوند. در شبکه شمال غرب و فصل زمستان، میانگین مقدار RMSE مدل‌های GRNN، ANN، VBT، ECMWF، ساستاموینن و GPT3 در دو ایستگاه کنترل داخلی به ترتیب برابر با 14/2، 57/2، 32/3، 63/3، 31/6، 35/4 میلی‌متر محاسبه شده است. همچنین، در شبکه البرز مرکزی و فصل تابستان، میانگین مقدار RMSE مدل‌ها به ترتیب برابر با 01/2، 42/2، 24/3، 26/3، 00/6 و 06/4 میلی‌متر حاصل شده است. در ایستگاه کنترل خارجی و در هر دو شبکه مورد بررسی، خطای مدل GRNN از مدل‌های ANN، VBT و ساستاموینن کمتر ولی از مدل‌های ECMWF و GPT3 بیشتر است. نتایج این مقاله نشان می‌دهد که مدل جدید GRNN از دقت و صحت بسیار بالایی در مقایسه با سایر مدل‌های 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 می‌تواند جایگزین مدل‌های تحلیلی و تجربی دیگر شود.