پيش‌بيني سري زماني بخار آب قابل بارش با استفاده از شبكه عصبي حافظه كوتاه مدت طولاني

در اين مقاله با استفاده از روش شبكه عصبي حافظه كوتاه مدت طولاني (LSTM) مقدار بخار آب قابل بارش (PWV)، مدل‌سازي و پيش‌بيني شده است. مشاهدات ايستگاه GPS تهران در سال 2021 براي دو بازه زماني روزهاي 71 تا 123 در فصل بهار و روزهاي 254‌ تا 309 در فصل پاييز مورد استفاده قرار گرفته است. براي ارزيابي عملكرد مدل، نتايج حاصل از مدل LSTM با نتايج ايستگاه راديوسند تهران و مدل‌هاي تجربي GPT3 و ساستاموينن مقايسه مي‌شود. شاخص‌هاي آماري جذر خطاي مربعي ميانگين (RMSE)، خطاي نسبي و ضريب همبستگي براي بررسي دقت و صحت مدل‌ها استفاده مي‌شوند. مقدار RMSE براي داده‌هاي آزمون مدل‌هاي LSTM، GPT3 و ساستاموينن در فصل بهار به ترتيب برابر با 8/1، 4/5 و 2/5 ميلي‌متر است. مقدار RMSE سه مدل براي داده‌هاي آزمون در فصل پاييز به ترتيب برابر با 3/1، 6/3 و 5/3 ميلي‌متر به دست آمده است. نتايج بدست آمده از اين مقاله نشان مي‌دهد كه مدل LSTM در مقايسه با مدل‌هاي تجربي و اندازه‌گيري‌هاي ايستگاه راديوسوند، از دقت و صحت بالايي در برآورد مقدار بخار آب قابل بارش برخوردار است. در نتيجه مدل جديد ارائه شده در اين مقاله مي‌تواند به عنوان جايگزين مد‌‌‌ل‌هاي تجربي در پيش‌بيني بخار آب قابل بارش باشد.