Mir Reza Ghaffari Razin - استادیار، گروه مهندسی نقشه برداری، دانشکده مهندسی علوم زمین، دانشگاه صنعتی اراک، اراک، ایران

در این مقاله، ایده استفاده از سامانه استنتاج عصبی-فازی سازگار (ANFIS) برای حل مسئله توموگرافی وردسپهر و برآورد بخار آب مایل (SWV) ارائه شده است. در این روش (TomoANFIS) مقدار تاخیر نم مایل (SWD) حاصل از مشاهدات جی ان اس اس برای سیگنال های قابل رویت در هر ایستگاه با مقدار تاخیر نم مایل حاصل از شبکه ANFIS مقایسه می شود (SWDGPS-SWDANFIS). مربع اختلاف مابین این دو مقدار، تابع هدف در شبکه ANFIS است و با محاسبه میزان این اختلاف در هر مرحله، مقدار وزن های مربوط به شبکه با استفاده از روش پس انتشار خطا (Bp ) تصحیح می شود. در مرحله بعد با استفاده از انکسار نم حاصل، مقدار بخار آب مایل (SWV) محاسبه می شود. ارزیابی روش ارائه شده در این مقاله با استفاده از مشاهدات ۲۰ ایستگاه GPS در منطقه شمال غرب ایران مربوط به سال ۲۰۱۱ و روزهای ۳۰۰ الی ۳۰۴ (۵ روز)، مشاهدات ایستگاه رادیوسوند تبریز (۳۸.۰۸۰N, ۴۶.۲۸۰E) و همچنین مقادیر تاخیر نم سمت الراسی (ZWD) حاصل از GPS در ۲ ایستگاه آزمون ARDH و MNDB انجام گرفته است. برای بررسی هر چه بیشتر دقت و صحت روش پیشنهادی، نتایج حاصل از این پژوهش با نتایج حاصل از روش توموگرافی عناصر حجمی (TomoVoxel)، یک روش رایج توموگرافی، و همچنین مدل شبکه های عصبی مصنوعی (TomoANN) مقایسه شده است. کمینه مقدار خطای نسبی برای سه مدل TomoANFIS، TomoANN و TomoVoxel به ترتیب برابر با %۳۱/۸، %۵۵/۸ و %۷۱/۸ حاصل شده است. همچنین بیشینه مقدار RMSE برای سه مدل به ترتیب برابر با ۹۷۱۸/۰، ۰۲۸۱/۱ و ۲۳۴۶/۱ میلی متر بر کیلومتر محاسبه شده است. نتایج حاصل از این مقاله بیانگر قابلیت بسیار بالای مدل TomoANFIS در نشان دادن تغییرات زمانی و مکانی بخار آب مایل است.

مولفه نم وردسپهر, مولفه خشک وردسپهر, سامانه استنتاج عصبی-فازی سازگار, توموگرافی, بخار آب مایل