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.
ژئودزی
سید رضا غفاری رزین؛ نوید هوشنگی؛ بهزاد وثوقی
چکیده
در این مقاله ایده استفاده از مدل شبکه عصبی حافظه کوتاه مدت طولانی (LSTM) به منظور مدلسازی و پیشبینی سری زمانی یونوسفر در دوره فعالیتهای شدید خورشیدی به عنوان یک روش جدید ارائه شده است. با استفاده از مدل جدید مقدار محتوای الکترون کلی (TEC) مدلسازی شده و سپس تغییرات زمانی آن در دوره فعالیتهای شدید خورشیدی و ژئومغناطیسی (سال 2017) پیشبینی ...
بیشتر
در این مقاله ایده استفاده از مدل شبکه عصبی حافظه کوتاه مدت طولانی (LSTM) به منظور مدلسازی و پیشبینی سری زمانی یونوسفر در دوره فعالیتهای شدید خورشیدی به عنوان یک روش جدید ارائه شده است. با استفاده از مدل جدید مقدار محتوای الکترون کلی (TEC) مدلسازی شده و سپس تغییرات زمانی آن در دوره فعالیتهای شدید خورشیدی و ژئومغناطیسی (سال 2017) پیشبینی میشود. برای بررسی کارائی روش مورد اشاره، از مشاهدات ایستگاه GPS تهران (N35/69 ، E51/33) که یکی از ایستگاههای شبکه جهانی IGS میباشد، استفاده شده است. مشاهدات سالهای 2007 الی 2016 برای آموزش مدل مورد نظر به کار گرفته شده و سپس با مدل آموزش دیده، سری زمانی TEC در سال 2017 پیشبینی میشوند. نتایج حاصل از مدل جدید با نتایج حاصل از مدل شبکه عصبی رگرسیون عمومی (GRNN)، مدل تجربی NeQuick و خروجی شبکه جهانی IGS (GIM-TEC) مقایسه شده است. همچنین از شاخصهای آماری ضریب همبستگی، خطای نسبی و جذر خطای مربعی میانگین (RMSE) به منظور بررسی دقت و صحت مدلها استفاده میشود. مقدار RMSE به دست آمده برای مدلهای LSTM، GRNN، GIM و NeQuick در مرحله تست سال 2017 به ترتیب برابر با 2/87، 4/51، 4/14 و 6/38 TECU میباشد. آنالیز مؤلفههای مختصاتی ایستگاه تهران با روش تعیین موقعیت نقطهای دقیق (PPP) نشان میدهد که با استفاده از مدل جدید، بهبودی در حدود 5/19 الی 56/23 میلیمتر در مختصات ایستگاه نسبت به سایر مدلها دیده میشود. نتایج حاصل از این تحقیق نشان میدهد که دقت و صحت مدل LSTM برای پیشبینی مقدار TEC در دوره فعالیتهای شدید خورشیدی و ژئومغناطیسی، در مقایسه با مدلهای GRNN، NeQuick و GIM بیشتر است.
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.