پیش‌بینی سری زمانی بخار آب قابل بارش با استفاده از شبکه عصبی حافظه کوتاه مدت طولانی

در این مقاله با استفاده از روش شبکه عصبی حافظه کوتاه مدت طولانی (lstm) مقدار بخار آب قابل بارش (pwv)، مدل‌سازی و پیش‌بینی شده است. مشاهدات ایستگاه gps تهران در سال 2021 برای دو بازه زمانی روزهای 71 تا 123 در فصل بهار و روزهای 254‌ تا 309 در فصل پاییز مورد استفاده قرار گرفته است. برای ارزیابی عملکرد مدل، نتایج حاصل از مدل lstm با نتایج ایستگاه رادیوسند تهران و مدل‌های تجربی gpt3 و ساستاموینن مقایسه می‌شود. شاخص‌های آماری جذر خطای مربعی میانگین (rmse)، خطای نسبی و ضریب همبستگی برای بررسی دقت و صحت مدل‌ها استفاده می‌شوند. مقدار rmse برای داده‌های آزمون مدل‌های lstm، gpt3 و ساستاموینن در فصل بهار به ترتیب برابر با 8/1، 4/5 و 2/5 میلی‌متر است. مقدار rmse سه مدل برای داده‌های آزمون در فصل پاییز به ترتیب برابر با 3/1، 6/3 و 5/3 میلی‌متر به دست آمده است. نتایج بدست آمده از این مقاله نشان می‌دهد که مدل lstm در مقایسه با مدل‌های تجربی و اندازه‌گیری‌های ایستگاه رادیوسوند، 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 مد‌‌‌ل‌های تجربی در پیش‌بینی بخار آب قابل بارش باشد.