ارزیابی اثر مؤلفه ­های مکان و دما در بهبود برآورد مقدار محتوای الکترونی یونسفر در چند ایستگاه کشور

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناس ارشد ژئودزی، گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، دانشگاه تبریز

2 استادیار گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، دانشگاه -دانشگاه تبریز- تبریز- ایران

10.22131/sepehr.2019.36616

چکیده

یونسفر یکی از پدیده­‌های پیچیده است که شامل مولکول­‌های یونیزه شده توسط خورشید می‌باشد. ضرورت مطالعه یونسفر و مدل‌سازی آن از این حقیقت ناشی می­‌شود که محتوای الکترونی یونسفر به پارامترهای زیادی بستگی دارند که دائما در حال تغییر هستند. انتشار امواج الکترومغناطیس در لایه یونسفر تحت تأثیر الکترون­‌های آزاد این محیط بوده، بنابراین مدل­‌سازی یونسفر در بسیاری از زمینه‌­ها از قبیل ارتباطات مخابراتی، ناوبری و تعیین موقعیت ماهواره‌­ای، سیستم‌­های راداری و سایر فناوری­‌های فضایی مورد توجه می‌­باشد. طبیعت پیچیده یونسفر باعث شده مدل­‌ها و روش­‌های مختلف دو بعدی و سه بعدی جهت رسیدن به یک برآورد مناسب از مقدار محتوای الکترون یونسفر پایه‌­گذاری، ارزیابی و مقایسه شوند. در این مقاله از شبکه­‌های عصبی موجک جهت مدل‌سازی مقدار محتوای الکترون لایه یونوسفر (TEC) در ایستگاه‌­های چهار شهر اهواز، ساری، کرمان و سقز در 365 روز از سال 2014 استفاده شده است. نتایج مدلسازی با روش‌­های مذکور برای داده‌­های مکانی و دماهای مختلف در ایران ارزیابی و مقایسه شده و به صورت کمی ارائه گردید. داده‌­های مورد استفاده، نقشه‌­های یونسفری می­‌باشند که نمایشگر میزان محتوای مجموع الکترونی هستند. نتایج این تحقیق نشان‌­دهنده تأثیر مؤلفه‌­های مکانی و دما در کارایی شبکه عصبی موجک در برآورد محتوای الکترونی یونسفر می‌­باشد. میانگین خطای نسبی به دست آمده برای حالت تلفیقی پارامترهای مکان، زمان و دما با استفاده از شبکه­‌های عصبی موجک برابر 52/11 درصد بوده است. این مقدار برای حالت تلفیقی دو پارامتر به طور میانگین برابر 05/15 درصد به دست آمده است. مقایسه صورت گرفته در مورد خطا نشان­‌دهنده برتری حالت تلفیقی سه پارامتر دما، مکان و زمان نسبت به سایر حالت­‌ها در برآورد محتوای الکترونی یونسفر بوده است. همچنین در این مقایسه، بهترین مدل مربوط به حالت­‌های مکان- دما- زمان، مکان- زمان و دما- زمان به ترتیب مربوط به شبکه­‌های عصبی RBF, MLP و B-spline با تلفیق موجک مورلت بوده است.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluating the effect of location and temperature components on improved estimation of the ionospheric electron content

نویسندگان [English]

  • seyyede samira jafari pour 1
  • Nazila Mohammadi 2
1 Master of Geodesy, Department of Geomatics Engineering, Faculty of Civil Engineering, University of Tabriz
2 Assistant Professor, Department of Geomatics Engineering, Faculty of Civil Engineering, University of Tabriz
چکیده [English]

Extended Abstract
Introduction
Ionosphere is a region of ionized plasma that extends at an altitude of 80 to 1,200 km above the earth's surface. The ionosphere consists of free electrons and ions formed during the ionization process. Total electron content (TEC) in the ionosphere is reported in TECU units. Each TECU is equivalent to 1016 electron units per square meter. Ionosphere is highly sensitive to any atmospheric turbulence, and thus is considered to be an atmospheric event sensor. The present study seeks to investigate the effect of space and temperature on the amount of total ionospheric electron content in order to accurately estimate TEC value. To reach this aim, variations in latitude and longitude are decomposed for a given period of time using the process of transforming wavelet to frequency component and modeled using a variety of artificial neural networks.
Materials and Methods
 Here, after separating the location and temperature parameters in each region, ionospheric electron density is estimated for each spatial and temperature parameter separately and also as a combination using the capabilities of artificial neural networks and wavelet transform. TEC value for each location and temperature parameter is extracted from the ionospheric maps and then used as input data in the suggested method. These maps show ionospheric electron content. The standard format of ionospheric maps, which contains TEC values is called IONEX. These files are received from the website of Iranian National Mapping Agency.
Results and discussion
 In general, IONEX is divided into three different parts: description, TEC maps, and standard deviations of maps. TEC values are presented in a regular network. Each IONEX file includes 25 maps, the last of which is the first map of the next day. As mentioned before, TEC value gives us a better understanding of ionospheric behavior. Availability of enough data and time coverage are two important factors in understanding a phenomenon and proper evaluation of its behavior.
Conclusion
 As results of artificial neural networks indicate, MLP generally has lower RMSE values. Therefore, it gives a more accurate estimation of TEC, compared to other artificial neural networks. Also compared to artificial neural networks, a combination of artificial neural networks and wavelet shows better results. The best condition of all three methods shows that compared to other methods, temperature variations give us a better estimation of TEC in ionosphere.

کلیدواژه‌ها [English]

  • Ionosphere
  • TEC
  • Ionospheric Electron Content
  • Artificial neural networks
  • Wavelet
  1. آخوندزاده، مهدی، 1393، مدلسازی محلی محتوای چگالی الکترون قائم با استفاده از شبکه عصبی مصنوعی، مجموعه مقالات شانزدهمین کنفرانس ژئوفیزیک ایران، اردیبهشت ماه 1393، صفحه 192-196.
  2. باعث، مرضیه، 1390، بررسی و مدلسازی خطای یونسفر به کمک مشاهدات ایستگاه‌های دائمی جی پی اس، رساله دکتری، دانشگاه تهران، دانشکده مهندسی نقشه‌برداری.
  3. عامریان، یزدان، 1391، مدلسازی منطقه­‌ای توزیع چگالی الکترونی در لایه یونسفر با استفاده از آنالیز موجک و مشاهدات جی پی اس، رساله دکتری، دانشگاه خواجه نصیرالدین طوسی، دانشکده مهندسی نقشه‌برداری.
  4. غفاری رزین، میررضا، 1393، مدلسازی منطقه‌­ای TEC با استفاده از شبکه­‌های عصبی مصنوعی و مدل چند جمله­‌ای در ایران، نشریه علمی پژوهشی علوم و فنون نقشه‌برداری، دوره چهارم شماره3، صفحه 51-60.
  5. کیایی، سینا،1391، آنالیز اطلاعات جهانی یونسفر حاصل از GPS و مقایسه مدل­‌ها با IRI و GAIM، پایان‌نامه کارشناسی ارشد، دانشگاه زنجان، دانشکده مهندسی نقشه‌برداری.

6. A. R. Amiri-Simkooei et al., 2012, Harmonic analysis of total electron contents time series: methodology and results. GPS Solution, pages 77-88.

7. Amerian, Y., MashhadiHossainali, M., and Voosoghi, B., Ghafari, M.R “Tomographic Reconstruction of the Ionospheric Electron Density in term of Wavelets.” Iranian Aerospace Society7 (1): 19-29.

8. Amerian Yazdan, 2010,behzad voosoghi and masoud m. hossainali. Regional Ionosphere Modeling in Support of IRI and Wavelet Using GPS Observations. Tehran, Iran: K.N. Toosi University of Technology.

9. Anghel, A. F., 2009, studies of the thermosphere, ionosphere, and plasma sphere using wavelet analysis, neural networks, and kalman filters, Electrical and Computer Engineering. Colorado, University of Colorado at Boulder, Doctor of Philosophy.

10. Cander. R, 2007 ,Artificial neural network applications in ionospheric studies, Annali di Geofisica, Vol.5-6, 1998Leandro, R. F. A New Technique to TEC Regional Modeling using a Neural Network. Fredericton, Canada,   Department of Geodesy and Geomatics Engineering,

11. El-naggar .A. 2011, Enhancing the accuracy of GPS point positioning by converting the single frequency data to dual frequency data, Alexandria Engineering Journal 50, 237–243.

12. GhaffariRazin, M. R., Voosoghi, B., Mohammadzadeh, A”Efficiency of artificial neural networks in map of total electron content over Iran.”Acta GeodGeophys.

13. Ghazouly, A. A. 2013, Multi-Resolution Spectral Techniques for Static DGPS Error Analysis and Mitigation, geomatics engineering, calgary, alberta. Doctor of philosophy.

14. Kurihara, J., Ogawa, Y., Oyama, S., Nozawa, S., Tsutsumi, M., Hall, C.M., Tomikawa, Y.,Fujii, R., 2010. Links between a stratospheric sudden warming and thermal structures and dynamics in the high-latitude mesosphere, lower thermosphere, and ionosphere. Geophys. Res. Lett. 37, L13806.

15. Leandro, R. F. 2007,  A New Technique to TEC Regional Modeling using a Neural Network. Fredericton, Canada, Department of Geodesy and Geomatics Engineering.

16. McKinnell,  L, A neural network based ionospheric  model for the Bottomside electron density profile over Grahamstown South Africa, 2002, Ph.D. Thesis, Rhodes Université.

17. Pancheva, D., Mukhtarov, P., 2012a. Global response of the ionosphere to atmospheric tides forced from below: Recent progress based on satellite measurements. Space Sci. Rev. 168 (1–4), 175–209.

18. Plamen Mukhtarov, Dora Pancheva, 2015, Winter-time dependence of the global TEC on the stratospheric temperature and solar radiation,2015, Journal of Atmospheric and Solar-Terrestrial Physics 136, 134–149.

19. Potts L, Schmidt M, Shum CK, Ge S, 2003, Wavelet based regional multi-resolution TEC model. (abstract),Europe and Geophysical Society–American Geophysical Union–European Union of Geosciences Joint Assembly, Nice, April.

20. R. Leandro, M. Santos, 2004. Regional Computation of TEC using a Neural Network Model. University of New Brunswick, Department of Geodesy and Geomatics Engineering, Fredericton, N.B., E3B 5A3, Canada

21. Salamonowicz PH, 2001, A wavelet-based gravity model with an application to the evaluation of Stokes’ integral. In: Sideris MG(ed) Gravity, geoid and geodynamics 2000. Springer, Berlin Heidelberg NewYork, pp 85–90

22. Schaffrin B, Mautz R, Shum CK, Tseng H, 2003,  Towards a spherical pseudo-wavelet basis for geodetic applications. Comput Aided Civ Inf 18(5):369–378.

23. Seeber, G. 2003, Satellite Geodesy, Berlin, Die Deutsche Bibliothek.

24. Tulunay, E., Senalp, E. T., Radicella, S. M. and Tulanay, Y., 2006, Forecasting total electron content maps by neural network technique, Radio Sci. 41, doi: 10.1029/2005RS003285.

25. Xenos, T. D., Kouris, S. S. and Casimiro, A., 2003, Time-dependent prediction degradation assessment of neural-networks- based TEC forecasting models, Nonlinear Proc. Geophys., 10, 585-587.

26. Z. Liu, S. Skone, Y. Gao, A. 2006 , Komjathy, Ionospheric modeling using GPS data, GPS Solutions 9 ,63–66.