ارزیابی روش توابع پایه شعاعی با کرنل اسپیلاین صفحه نازک برای درونیابی بخارآب قابل بارش برآورد شده از مشاهدات gps در ایالت کالیفرنیای آمریکا

مقدار بخار آب قابل بارش (pwv) یکی از مهم ترین داده ‌ها در بسیاری از مطالعات هواشناسی است. این مولفه دارای تغییرات مکانی و زمانی بالایی است، امروزه استفاده از مشاهدات سیستم‌ های ماهواره ‌ای ناوبری جهانی (gnss) یکی از روش‌ های بهبود دقت برآورد پارامتر بخارآب است. امواج ارسالی از ماهواره ‌های gnss با عبور از لایه تروپسفر دچار تاخیر می‌ شوند. تاخیر تروپسفری به دو بخش خشک و تر تقسیم می ‌شوند که بخش تر به تغییرات بخار آب وابسته است. در این مقاله روش‌های درونیابی بر پایه توابع پایه شعاعی با کرنل اسپیلاین صفحه نازک سه‌بعدی، شبکه عصبی مصنوعی از نوع پرسپترون، کریجینگ و عکس مجذور فاصله مورد ارزیابی قرار گرفته‌است. منطقه ‌ای واقع در آمریکای شمالی شامل 26 ایستگاه سیستم تعیین موقعیت جهانی (gps) مورد مطالعه قرار گرفته و مقادیر بخار آب قابل بارش در دو روز زمستان و تابستان با استفاده از این داده‌ ها به روش های فوق ‌الذکر ارزیابی شده‌است. مقدار ریشه میانگین مربع خطا (rmse) با استفاده از روش اسپیلاین صفحه نازک سه‌بعدی برای دو روز زمستان و تابستان به ترتیب برابر 6/0 و 62/1 میلیمتر بدست آمده است، که در مقایسه با سایر روش‌ ها دارای کمترین مقدار rmse و در نتیجه دقت بالاتری درهر دو روز می‌ باشد. در نهایت با استفاده از روش درونیابی اسپیلاین صفحه نازک سه بعدی نقشه متراکم از تغییرات بخار آب لایه تروپسفر در منطقه مورد مطالعه تهیه شده‌است که می تواند بر پیش بینی وضعیت جوی و برآورد میزان بارش تاثیر گذار باشد.

assessment of radial basis function method with thin plate spline kernel for evaluable precipitable water vapor interpolation from gps observations over state of california, usa

 precipitable water vapor (pwv) is one of the most important data in meteorological studies. this component has high spatial and temporal changes, today the use of global navigation satellite systems (gnss) observations is one of the ways to improve the accuracy of water vapor parameter estimation. the waves sent from gnss satellites are delayed when passing through the troposphere layer. the troposphere delay is divided into two parts, dry and wet, and the wet part depends on changes in water vapor. in this article, the interpolation methods based on radial basis functions with 3d thin plate spline kernel, artificial neural network of perceptron type, kriging and inverse distance weighted have been evaluated. a region located in north america including 26 global positioning system (gps) stations has been studied and the amounts of precipitable water vapor on two days in winter and summer have been evaluated using these data in the aforementioned methods. the value of the root mean square error (rmse) using the 3d thin plate spline method for two days in winter and summer has been obtained as 0.6 and 1.62 mm, respectively, which has the lowest rmse value compared to other methods. and as a result, there is a higher accuracy in both days. finally, by using 3d thin plate spline interpolation method, a dense map of water vapor changes in the troposphere layer in the study area has been prepared, which can have an impact on forecasting the weather and estimating the amount of precipitation