حجت تقی زاده - دانشجوی کارشناسی ارشد ،گروه نقشه برداری،واحد اهر دانشگاه آزاد اسلامی ،اهر،ایران
توحید ملک زاده - هیئت علمی دانشگاه آزاد اسلامی واحد اهر ، گروه نقشه برداری،واحد اهر دانشگاه آزاد اسلامی ،اهر،ایران،

در این تحقیق با استفاده از روشهای مبتنی بر یادگیری مقدار بخار آب قابل بارش (PWV) به صورت مکانی -زمانی مدلسازی شده و سپس پیش بینی گردید. از دو مدل شبکه های عصبی مصنوعی و رگرسیون بردار پشتیبان جهت انجام اینکار استفاده شد. برای مقایسه کارایی و دقت این دو مدل، نتایج حاصل با مشاهدات PWV حاصل از ایستگاه رادیوسوند و PWV به دست آمده از مدل تجربی ساستامنین نیز مقایسه شد. مشاهدات ۲۳ ایستگاه GPS مابین روزهای ۳۰۰ الی ۳۱۱ از سال ۲۰۱۱ در منطقه شمالغرب ایران برای ارزیابی مدلها، به کار گرفته شد. از ۲۳ ایستگاه مورد نظر، مشاهدات دو ایستگاه KLBR و GGSH جهت انجام تست نتایج حاصل کنار گذاشته شد. در مرحله اول، تاخیر تر زنیتی از مشاهدات ۲۱ ایستگاه GPS محاسبه و سپس تبدیل به مقدار PWV شد. مقادیر PWV حاصل از این مرحله به عنوان خروجی هر دو مدل در نظر گرفته شد. همچنین چهار پارامتر طول و عرض جغرافیایی ایستگاه، روز مشاهده و زمان به عنوان ورودیهای دو مدل هستند. هر دو مدل با استفاده از الگوریتم پس انتشار خطا آموزش داده شد و کمینه خطای حاصل در محل ایستگاه رادیوسوند تبریز به عنوان معیار پایان آموزش در نظر گرفته شد. پس از مرحله آموزش، مقدار PWV در ایستگاه های کنترل با هر دو مدل محاسبه و سپس با مقدار PWV حاصل از GPS مقایسه شدند. میانگین ضریب همبستگی محاسبه شده برای سه مدل ANN، SVR و ساستامنین در ۱۲ روز مورد مطالعه به ترتیب برابر با ۸۶/۰، ۸۸/۰ و ۷۲/۰ است . همچنین ، میانگین RMSE به دست آمده برای سه مدل در ۱۲ روز به ترتیب برابر با ۹۴/۱، ۶۷/۱ و ۳۲/۵ میلی متر شد. نتایج حاصله نشان داد که مدل SVR از قابلیت بسیار بالایی در برآورد مقدار PWV برخوردار بوده و می توان از نتایج آن در مباحث مرتبط با هواشناسی و پیش بینی بارش استفاده نمود.

بخار آب قابل بارش، GPS، رادیوسوند، ANN، SVR