ژئودزی
سید رضا غفاری رزین؛ نوید هوشنگی
چکیده
در این مقاله کارائی مدلهای شبکه عصبی مصنوعی (ANN)، سیستم استنتاج عصبی-فازی سازگار (ANFIS)، رگرسیون بردار پشتیبان (SVR) و مدل شبکه عصبی رگرسیون عمومی (GRNN) در تعیین ارتفاع ژئوئید محلی مورد ارزیابی قرار میگیرد. برای انجام اینکار، مختصات ژئودتیکی 26 ایستگاه از شبکه شمالغرب ایران که ارتفاع اورتومتریک (Ho) آنها نیز با ترازیابی درجه یک توسط سازمان ...
بیشتر
در این مقاله کارائی مدلهای شبکه عصبی مصنوعی (ANN)، سیستم استنتاج عصبی-فازی سازگار (ANFIS)، رگرسیون بردار پشتیبان (SVR) و مدل شبکه عصبی رگرسیون عمومی (GRNN) در تعیین ارتفاع ژئوئید محلی مورد ارزیابی قرار میگیرد. برای انجام اینکار، مختصات ژئودتیکی 26 ایستگاه از شبکه شمالغرب ایران که ارتفاع اورتومتریک (Ho) آنها نیز با ترازیابی درجه یک توسط سازمان نقشهبرداری کشور (NCC) اندازهگیری شده، مورد استفاده قرار گرفته است. در این ایستگاهها، تفاضل ارتفاع اورتومتریک از ارتفاع نرمال (h)، به عنوان ارتفاع ژئوئید (N) در نظر گرفته شده است. بنابراین ورودی مدلهای ANN، ANFIS، SVR و GRNN مختصات طول و عرض ژئودتیکی ایستگاهها بوده و خروجی متناظر با آن، ارتفاع ژئوئید است. آموزش مدلها با استفاده از 22 و 19 ایستگاه انجام گرفته است. به عبارت دیگر تعداد ایستگاههای آموزش متغیر بوده تا بتوان آنالیز دقیقتری از دقت مدلها را ارائه نمود. به منظور ارزیابی دقیقتر، نتایج با ژئوئید حاصل از مدل IRG2016 که توسط سازمان نقشهبرداری کشور تولید شده، مقایسه میشوند. ارزیابیهای انجام گرفته نشان میدهد که در حالت 22 ایستگاه آموزش و 4 ایستگاه آزمون، RMSE مدلهای ANN، ANFIS، SVR، GRNN و IRG2016 در مرحله آزمون به ترتیب برابر با 37/32، 19/83، 49/34، 53/82 و 29/65 سانتیمتر شده است. اما در حالت 19 ایستگاه آموزش و 7 ایستگاه آزمون، مقادیر خطای مدلها به ترتیب برابر با 36/63، 58/31، 39/64، 41/29 و 24/68 سانتیمتر به دست آمده است. مقایسه RMSE نشان میدهد که مدل ANN با تعداد ایستگاههای آموزش کمتر، دقت بالاتری نسبت به مدلهای ANFIS، SVR و GRNN ارائه میدهد. نتایج این مقاله نشان میدهد که با استفاده از مدلهای ANN و ANFIS میتوان ارتفاع ژئوئید را با دقت بالایی به صورت محلی برآورد کرده و مورد استفاده قرار داد.
سید رضا غفاری رزین؛ نوید هوشنگی
چکیده
در این مقاله با استفاده از روشهای مبتنی بر یادگیری مقدار بخار آب قابل بارش (PWV) به صورت مکانی-زمانی مدلسازی شده و سپس پیشبینی میشود. از سه مدل شبکههای عصبی مصنوعی (ANNs)، سیستم استنتاج عصبی-فازی سازگار (ANFIS) و مدل رگرسیون بردار پشتیبان (SVR) برای انجام این کار استفاده شده است. برای مقایسه کارایی و دقت این سه مدل، نتایج حاصل با مشاهدات ...
بیشتر
در این مقاله با استفاده از روشهای مبتنی بر یادگیری مقدار بخار آب قابل بارش (PWV) به صورت مکانی-زمانی مدلسازی شده و سپس پیشبینی میشود. از سه مدل شبکههای عصبی مصنوعی (ANNs)، سیستم استنتاج عصبی-فازی سازگار (ANFIS) و مدل رگرسیون بردار پشتیبان (SVR) برای انجام این کار استفاده شده است. برای مقایسه کارایی و دقت این سه مدل، نتایج حاصل با مشاهدات بخار آب قابل بارش حاصل از ایستگاه رادیوسوند (PWVradiosonde) و بخار آب قابل بارش بهدست آمده از مدل تجربی ساستامنین (PWVSaastamoinen) نیز مقایسه شده است. مشاهدات 23 ایستگاه GPS مابین روزهای 300 الی 305 (6 روز) از سال 2011 در منطقه شمالغرب ایران برای ارزیابی مدلها، بهکار گرفته شده است. دلیل انتخاب این منطقه و بازه زمانی مورد نظر، در دسترس بودن مجموعه کاملی از مشاهدات ایستگاههای GPS، رادیوسوند و ایستگاههای هواشناسی است. از 23 ایستگاه مورد نظر، مشاهدات دو ایستگاه KLBR و GGSH بهمنظور انجام تست نتایج حاصل کنار گذاشته میشود. در مرحله اول، تأخیر تر زنیتی (ZWD) از مشاهدات 21 ایستگاه GPS محاسبه و سپس تبدیل به مقدار PWV میشود. مقادیر PWV حاصل از این مرحله به عنوان خروجی هر سه مدل در نظر گرفته شده است. همچنین چهار پارامتر طول و عرض جغرافیایی ایستگاه، روز مشاهده (DOY) و زمان (min.) به عنوان ورودیهای سه مدل هستند. هر سه مدل با استفاده از الگوریتم پس انتشار خطا (BP) آموزش داده شده و کمینه خطای حاصل در محل ایستگاه رادیوسوند تبریز (38/08N وE46/28)، به عنوان معیار پایان آموزش در نظر گرفته شده است. پس از مرحله آموزش، مقدار بخار آب قابل بارش در ایستگاههای تست با هر سه مدل محاسبه و سپس با مقدار بخار آب قابل بارش حاصل از GPS (PWVGPS) مقایسه میشوند. میانگین ضریب همبستگی محاسبه شده برای چهار مدل ANN، ANFIS، SVR و Saastamoinen در 6 روز مورد مطالعه به ترتیب برابر با 0/85، 0/88، 0/89 و 0/69 است. همچنین، میانگین RMSE برای چهار مدل در 6 روز به ترتیب برابر با 2/17، 1/90، 1/77 و 5/45 میلیمتر شده است. نتایج حاصل از این مقاله نشان میدهد که مدل SVR از قابلیت بسیار بالایی در برآورد مقدار بخار آب قابل بارش برخوردار بوده و از نتایج آن میتوان در مباحث مرتبط با هواشناسی و پیشبینی بارش استفاده نمود.