برآورد بخار آب قابل بارش (PWV) با استفاده از مدل شبكه عصبي رگرسيون عمومي (GRNN) و مقايسه آن با مدل‌هاي توموگرافي، ECMWF، ساستاموينن، GPT3 و ANN

در اين مقاله مقدار بخار آب قابل بارش (PWV) با استفاده از مدل شبكه عصبي رگرسيون عمومي (GRNN) به‌صورت مكاني-زماني مدل‌سازي و پيش‌بيني مي‌شود. هشت پارامتر طول، عرض و ارتفاع جغرافيايي ايستگاه GPS، روز مشاهده (DOY)، زمان (min.)، رطوبت نسبي (RH)، دما (T) و فشار (P) به‌عنوان ورودي‌هاي مدل‌هاي GRNN و ANN در نظر گرفته شده و PWV متناظر با اين هشت پارامتر، به‌عنوان خروجي هستند. جهت ارزيابي مدل‌هاي GRNN و ANN، از مشاهدات ايستگاه‌هاي شبكه شمال غرب ايران و شبكه البرز مركزي استفاده شده است. در شبكه شمال غرب از مشاهدات 23 ايستگاه GPS در بازه زماني روزهاي 300 الي 314 از سال 2011 (فصل زمستان) استفاده مي‌شود. براي شبكه البرز مركزي مشاهدات 11 ايستگاه در بازه زماني روزهاي 162 الي 176 از سال 2016 (فصل تابستان) بكار گرفته شده است. نتايج حاصل از مدل‌هاي GRNN و ANN در دو ايستگاه كنترل داخلي، يك ايستگاه كنترل خارجي (خارج از محدوده شبكه GPS موردمطالعه)، همچنين در ايستگاه راديوسوند تبريز (N38.08، E46.28) و راديوسوند تهران (N35.68، E51.35) با نتايج حاصل از مدل‌هاي توموگرافي المان‌هاي حجمي (VBT)، مدل ECMWF، ساستاموينن و GPT3 مقايسه و ارزيابي مي‌شوند. پارامترهاي آماري جذر خطاي مربعي ميانگين (RMSE)، خطاي نسبي و ضريب همبستگي (R) براي بررسي دقت و صحت مدل‌ها استفاده مي‌شوند. در شبكه شمال غرب و فصل زمستان، ميانگين مقدار RMSE مدل‌هاي GRNN، ANN، VBT، ECMWF، ساستاموينن و GPT3 در دو ايستگاه كنترل داخلي به ترتيب برابر با 2.14، 2.57، 3.32، 3.63، 6.31، 4.35 ميلي‌متر محاسبه شده است. همچنين، در شبكه البرز مركزي و فصل تابستان، ميانگين مقدار RMSE مدل‌ها به ترتيب برابر با 2.01، 2.42، 3.24، 3.26، 6.00 و 4.06 ميلي‌متر حاصل شده است. در ايستگاه كنترل خارجي و در هر دو شبكه مورد بررسي، خطاي مدل GRNN از مدل‌هاي ANN، VBT و ساستاموينن كمتر ولي از مدل‌هاي ECMWF و GPT3 بيشتر است. نتايج اين مقاله نشان مي‌دهد كه مدل جديد GRNN از دقت و صحت بسيار بالايي در مقايسه با ساير مدل‌هاي تحليلي و تجربي تروپوسفر در محدوده شبكه موردمطالعه برخوردار است. اين مدل قابليت نشان دادن تغييرات زماني-مكاني بخار آب قابل بارش را با دقت بالا داشته و مي‌تواند جايگزين مدل‌هاي تحليلي و تجربي ديگر شود.