TY - JOUR ID - 252768 TI - پیش بینی ضرایب تصحیح کننده چگالی اتمسفری با استفاده از شبکه های عصبی JO - فصلنامه علمی- پژوهشی اطلاعات جغرافیایی « سپهر» JA - SEPEHR LA - fa SN - 2588-3860 AU - فرزانه, سعید AU - شریفی, محمدعلی AU - عبدالملکی, امیر AU - دهواری, مسعود AD - استادیار دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، پردیس دانشکده‌های فنی، دانشگاه تهران AD - دانشیار دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، پردیس دانشکده‌های فنی، دانشگاه تهران AD - کارشناسی ارشد، دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، پردیس دانشکده‌های فنی، دانشگاه تهران AD - دانشجوی دکتری دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده های فنی، دانشگاه تهران Y1 - 2022 PY - 2022 VL - 31 IS - 121 SP - 39 EP - 54 KW - هوش مصنوعی KW - شبکه های عصبی KW - اصطکاک اتمسفری KW - مدل های تجربی چگالی اتمسفری KW - ماهواره های مدار پایین DO - 10.22131/sepehr.2022.252768 N2 - امروزه ماهواره‌های مدار پایین نقش مهمی در جمع‌آوری مشاهدات مربوط به زمین و میدان گرانش حاکم بر آن ایفا می‌کنند. عوامل مختلفی بر دقت و صحت مشاهدات این ماهواره‌ها مؤثر هستند. ازجمله‌ی این عوامل، اصطکاک اتمسفری وارد بر ماهواره‌ها است که حتی می‌تواند پس از مدتی کارایی آن‌ها را با چالش مواجه کند. به همین دلیل تلاش‌های گوناگونی درصدد مدل‌سازی و پیش‌بینی عوامل مؤثر بر این نیرو برآمده است. مدل‌های تجربی ارائه‌شده برای چگالی اتمسفری نمونه‌ای از این تلاش‌ها است. باگذشت زمان و پیدایش خطاهای موجود در مدل‌های تجربی، تلاش برای اصلاح آن‌ها آغاز شد چراکه به‌دلیل ساده‌سازی‌ها و محدودیت‌های مشاهداتی، این مدل‌ها همواره با خطا همراه هستند و مقدار خروجی آن‌ها با مقدار واقعی چگالی اتمسفر، تطابق کامل ندارد. از دیگر سو، با گسترش علوم، روش‌های جدیدی مانند هوش مصنوعی و شبکه‌های عصبی برای پیش‌بینی یک سری زمانی ارائه شده است که قابلیت یادگیری رفتار سیگنال بدون تشکیل یک مدل ریاضی پیچیده را دارند. در این تحقیق، از شبکه‌های عصبی با حافظه بلند-کوتاه‌مدت برای پیش‌بینی و اصلاح مدل‌های تجربی چگالی اتمسفری که مهم‌ترین عامل تعیین‌کننده‌ی میزان کشش اتمسفری است، استفاده ‌شده است. این شبکه‌های عصبی از نوع شبکه‌های بازگشتی هستند و با حفظ وابستگی سیگنال در زمان می‌توانند دقت بهتری را برای پیش‌بینی سیگنال فراهم آورند. داده‌های مورداستفاده برای آموزش شبکه عصبی مربوط به ماهواره‌ی GRACE و در نیمه‌ی نخست سال 2014 بوده است. برای ارزیابی نتایج نیز با استفاده از ضریب اصطکاک خروجی حاصل از شبکه عصبی و همچنین ضریب اصطکاک مربوط به مدل‌های عددی، موقعیت ماهواره تعیین و با موقعیت واقعی مقایسه شده است. نتایج پیش‌بینی نشان می‌دهد که در حالت تک متغیره مقدار RMSE در حدود 0.054 و در حالت چند متغیره در حدود 0.03 است و همچنین شبکه‌ی عصبی قادر است مدار ماهواره GRACE  را با RMSE در حدود 0.15 متر پیش‌بینی کند. UR - https://www.sepehr.org/article_252768.html L1 - https://www.sepehr.org/article_252768_b77d2c6e3ad4d7300790b18411dd2956.pdf ER -