برآورد بخار آب قابل بارش با استفاده از روش کمترین مربعات رگرسیون بردار پشتیبان و مقایسه با سایر مدل ها

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.