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.
