جستجوی مقالات مرتبط با کلیدواژه "pwv" در نشریات گروه "عمران"
تکرار جستجوی کلیدواژه «pwv» در نشریات گروه «فنی و مهندسی»-
امروزه با توسعه شبکه های محلی و منطقه ای تعیین موقعیت ماهواره ای و همچنین سهولت در دسترس بودن اندازه گیری های آن ها، استفاده از مشاهدات این شبکه ها جهت تولید مدل های دقیق برای برآورد کمیت بخار آب قابل بارش (PWV)، به یک امر مهم و ضروری تبدیل شده است. بنابراین، در این مقاله مقدار PWV با استفاده از مدل کمترین مربعات رگرسیون بردار پشتیبان (LS-SVR) به صورت مکانی-زمانی مدل سازی و پیش بینی می شود. مدل LS-SVR از معادلات خطی ساده در مرحله آموزش استفاده می کند. در نتیجه، پیچیدگی الگوریتم محاسباتی کاهش یافته، سرعت همگرایی و دقت نتایج افزایش می یابد. هفت پارامتر طول و عرض جغرافیایی ایستگاه GPS، روز از سال (DOY)، زمان به وقت جهانی (UT)، رطوبت نسبی (RH)، دما (T) و فشار (P) به عنوان ورودی های مدل LS-SVR در نظر گرفته شده و PWV متناظر با این هفت پارامتر، به عنوان خروجی مدل است. پس از مرحله آموزش، مقدار PWV با مدل آموزش دیده، برآورد شده و با مقادیر PWV حاصل از ایستگاه رادیوسوند، مدل تجربی ساستاموینن، مدل GPT3، مدل توموگرافی المان های حجمی، مدل رگرسیون بردار پشتیان (SVR)، مدل کریجینگ و مدل شبکه عصبی توابع پایه شعاعی (RBNN) در ایستگاه های کنترل، مقایسه شده است. آنالیزهای انجام گرفته نشان می دهد که میانگین RMSE مدل های RBNN، SVR، توموگرافی، کریجینگ، LS-SVR، GPT3 و ساستاموینن در سه ایستگاه کنترل به ترتیب برابر با 92/4، 13/4، 13/3، 32/4، 87/2، 22/4 و 29/4 میلی متر بوده است. همچنین میانگین خطای نسبی محاسبه شده در ایستگاه رادیوسوند برای مدل های RBNN، SVR، LS-SVR، توموگرافی و کریجینگ به ترتیب 11/25، 10/14، 38/10، 44/11 و 98/14 درصد است. تجزیه و تحلیل روش PPP بهبود 33 میلی متری در مولفه های مختصات با استفاده از مدل LS-SVR را نشان می دهد. نتایج این مقاله نشان می دهد که مدل LS-SVR را می توان به عنوان جایگزینی برای مدل های تجربی تروپسفر در منطقه مورد مطالعه در نظر گرفت. مدل LS-SVR یک مدل تروپسفر محلی با دقت بالا محسوب می شود.
کلید واژگان: تروپسفر, PWV, GPS, یادگیری ماشین, LS-SVR, رادیوسوندThe LS-SVR model uses simple linear equations in the training phase. As a result, the complexity of the computational algorithm is reduced; the speed of convergence and the accuracy of the results are increased. Seven parameters of longitude and latitude of GPS station, day of year (DOY), time to universal time (UT), relative humidity (RH), temperature (T) and pressure (P) are considered as inputs of LS-SVR model. And the PWV corresponding to these seven parameters is the output of the model. After the training step, the PWV value was estimated with the trained model and compared with the PWV values obtained from the radiosonde station, the empirical model of Saastamoinen and GPT3, the support vector regression model (SVR) and the radial basis neural network model (RBNN) in the control stations. Statistical indices of relative error, correlation coefficient and root mean square error (RMSE) have been used to evaluate the accuracy of the models. The conducted analyzes show that the average RMSE of RBNN, SVR, LS-SVR, GPT3 and Saastamoinen models in 3 control stations is to 4.92, 4.13, 2.87, 4.22 and 4.29 mm, respectively. Also, the average relative error of the models in 3 control stations is calculated as 38.06, 30.77, 22.37, 34.63 and 32.80% respectively. Analysis of the PPP method shows an improvement of 33 mm in the coordinate components using the LS-SVR model. The results of this thesis show that the LS-SVR model can be considered as an alternative to the empirical troposphere models in the studied area. The LS-SVR model is a local troposphere model with high accuracy.
Keywords: Troposphere, PWV, GPS, Machine Learning, LS-SVR
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.