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

امروزه با توسعه شبکه‌های محلی و منطقه‌ای تعیین موقعیت ماهواره‌ای و همچنین سهولت در دسترس بودن اندازه‌گیری‌های آن‌ها، استفاده از مشاهدات این شبکه‌ها جهت تولید مدل‌های دقیق برای برآورد کمیت بخار آب قابل بارش (pwv)، به یک امر مهم و ضروری تبدیل شده‌است. بنابراین، در این مقاله مقدار pwv با استفاده از مدل کمترین مربعات رگرسیون بردار پشتیبان (ls-svr) به صورت مکانی-زمانی مدل‌سازی و پیش‌بینی می‌شود. مدل ls-svr از معادلات خطی ساده در مرحله آموزش استفاده می‌کند. در نتیجه، پیچیدگی الگوریتم محاسباتی کاهش یافته، سرعت همگرایی و دقت نتایج افزایش می‌یابد. 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 ورودی‌های 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 المان‌های حجمی، مدل رگرسیون بردار پشتیان (svr)، مدل کریجینگ و مدل شبکه عصبی توابع پایه شعاعی (rbnn) در ایستگاه‌های کنترل، مقایسه شده‌است. آنالیزهای انجام گرفته نشان می‌دهد که میانگین rmse مدل‌های rbnn، svr، توموگرافی، کریجینگ، ls-svr، gpt3 و ساستاموینن در سه ایستگاه کنترل به ترتیب برابر با 4.92، 4.13، 3.13، 4.32، 2.87، 4.22 و 4.29 میلی‌متر بوده است. همچنین میانگین خطای نسبی محاسبه شده در ایستگاه رادیوسوند برای مدل‌های rbnn، svr، ls-svr، توموگرافی و کریجینگ به ترتیب 25.11، 14.10، 10.38، 11.44 و 14.98 درصد است. تجزیه و تحلیل روش ppp بهبود 33 میلی‌متری در مولفه‌های مختصات با استفاده از مدل ls-svr را نشان می‌دهد. نتایج این مقاله نشان می‌دهد که مدل ls-svr را می‌توان به عنوان جایگزینی برای مدل‌های تجربی تروپسفر در منطقه مورد مطالعه در نظر گرفت. مدل ls-svr یک مدل تروپسفر محلی با دقت بالا محسوب می‌شود. 

estimation of precipitable water vapor using least squares support vector regression and comparison with other models

the 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.