این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
فیزیک زمین و فضا، جلد ۵۱، شماره ۱، صفحات ۱۱۷-۱۳۲
عنوان فارسی پیش‌بینی مکانی-زمانی بخار آب قابل بارش با استفاده از شبکه‌عصبی حافظه کوتاه‌مدت طولانی (مطالعه موردی: استان تهران)
چکیده فارسی مقاله 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 2021 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.
کلیدواژه‌های فارسی مقاله بخار آب قابل بارش،GPS،LSTM،GRNN،
عنوان انگلیسی Spatio-temporal modeling and forecasting of precipitable water vapor using Long Short Term Memory neural network, case study: Tehran province
چکیده انگلیسی مقاله Precipitable water vapor (PWV) is one of the most important parameters in meteorological studies, which can be calculated using ground measurements such as radiosondes and radiometers, as well as indirect methods such as GPS observations. Due to the spatial limitations of meteorological stations, as well as observational discontinuities in the time domain, PWV modeling with new methods is of great importance. Various models have been developed to estimate the amount of water vapor (WV) and tropospheric refraction component. These models can be divided into two categories: empirical and analytical models. Among the analytical models, we can mention to the tomography method. Considering the spatial limitation of GPS and meteorological stations, as well as the discontinuity of observations in the time domain, modeling of PWV is very important. In order to overcome these limitations in PWV forecasting, the idea of using machine learning (ML) models has been proposed. In the first step, the zenith tropospheric delay (ZTD) is calculated with Gamit software. Then using the Saastamoinen empirical model as revised by Davis the value of zenith hydrostatic delay (ZHD) is calculated. By subtracting the amount of ZHD from ZTD, zenith wet delay (ZWD) is obtained at each GPS stations. Using the formula by Bavis, ZWD can be converted to PWV for any time. In this paper for the first time in Iran, the amount of PWV has been modeled and forecasted using the long short-term memory (LSTM) method. LSTM is one of the recurrent neural networks which is mostly used for time series purposes. The observations of Tehran GPS network in the 2021 and 2022 for the periods of 312 to 347 and 33 to 78 DOY have been used to evaluate the performance of the LSTM. It should be noted that the parameters of longitude, latitude and altitude, as well as day of year (DOY) and time (hour) are considered as inputs to LSTM model to estimate PWV. The results of this model are compared with the results of GRNN which is a type of radial basis function (RBF), GPT3 and Saastamoinen empirical models. Statistical indicators of root mean square error (RMSE) and correlation coefficient are used to check the accuracy of the models in control station. The RMSE for the control station of LSTM, GRNN, GPT3 and Saastamoinen models in 2021 is 0.5, 1.34, 7.12 and 7.65 mm, respectively. Also, the RMSE of three models for the control station in 2022 is 0.9, 1.19, 3.32 and 3.28 mm, respectively. The results show that the LSTM model has high accuracy to forecast the amount of PWV compared to GRNN and empirical models. As a result, the new model presented in this paper can be used as an alternative to empirical models in forecasting precipitable water vapor.
کلیدواژه‌های انگلیسی مقاله بخار آب قابل بارش,GPS,LSTM,GRNN
نویسندگان مقاله فاطمه فراتی |
گروه مهندسی ژئودزی، دانشکده مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران.

بهزاد وثوقی |
گروه مهندسی ژئودزی، دانشکده مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران.

سید رضا غفاری رزین |
گروه مهندسی نقشه‌برداری، دانشکده مهندسی علوم زمین، دانشگاه صنعتی اراک، اراک، ایران.

نشانی اینترنتی https://jesphys.ut.ac.ir/article_100090_bdfa4b41c990e18a176338a8bde2582e.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات