پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 162 |
| تعداد شماره‌ها | 6,693 |
| تعداد مقالات | 72,239 |
| تعداد مشاهده مقاله | 129,233,659 |
| تعداد دریافت فایل اصل مقاله | 102,068,021 |
پیش‌بینی مکانی-زمانی بخار آب قابل بارش با استفاده از شبکه عصبی حافظه کوتاه مدت طولانی مطالعه موردی: استان تهران | ||
| فیزیک زمین و فضا | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 15 دی 1403 اصل مقاله (1.2 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jesphys.2025.375870.1007604 | ||
| نویسندگان | ||
| فاطمه فراتی1؛ بهزاد وثوقی2؛ سید رضا غفاری رزین* 3 | ||
| 1دانشکده مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران. | ||
| 2دانشگاه صنعتی خواجه نصیرالدین طوسی | ||
| 3دانشکده مهندسی علوم زمین، گروه مهندسی نقشه برداری، دانشگاه صنعتی اراک | ||
| چکیده | ||
| در این مقاله ایده استفاده از روش شبکه عصبی حافظه کوتاه مدت طولانی (LSTM) جهت مدل‌سازی و پیش‌بینی مکانی-زمانی مقدار بخار آب قابل بارش (PWV) به عنوان یک روش جدید ارائه شده است. مشاهدات 5 ایستگاه GPS شبکه تهران در سال ۲۰۲۱ 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، به عنوان ایستگاه آزمون انتخاب شده است. برای ارزیابی عملکرد مدل جدید، نتایج حاصل از مدل LSTM با نتایج مدل شبکه عصبی رگرسیون عمومی (GRNN) و مدل‌های تجربی GPT3 و ساستاموینن مقایسه می‌شود. 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، به ترتیب 5/0 و 34/1 و 12/7 و 65/7 میلی‌متر است. در سال 2022 مقدار RMSE به ترتیب برابر با 9/0 و 19/1 و 32/3 و28/3 میلی‌متر به دست آمده است. نتایج بدست 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 ارائه شده در این مقاله می‌تواند به عنوان جایگزین سایر مدل‌ها در پیش‌بینی بخار آب قابل بارش باشد. | ||
| کلیدواژه‌ها | ||
| بخار آب قابل بارش؛ GPS؛ LSTM؛ GRNN | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 172 تعداد دریافت فایل اصل مقاله: 143 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب