مدل سازی و پیش بینی سری زمانی محتوای الکترون کلی یونوسفر با استفاده از روش ماشین بردار پشتیبان در سال های ۲۰۰۷ الی ۲۰۱۸
محل انتشار: مجله فیزیک زمین و فضا، دوره: 48، شماره: 1
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 81
فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JESPHYS-48-1_012
تاریخ نمایه سازی: 26 مهر 1402
چکیده مقاله:
یونوسفر یکی از لایه های جو زمین است که به علت خاصیت الکتریکی، ممکن است اثرات مخرب و زیان باری را روی امواج الکترومغناطیسی عبوری از آن را داشته باشد. جهت بررسی این اثرات، مقدار محتوای الکترونی کلی (TEC) یونوسفر مورد مطالعه و بررسی قرار می گیرد. در این مقاله سری زمانی یونوسفر با استفاده از سه مدل شبکه های عصبی مصنوعی (ANNs)، سیستم استنتاج عصبی-فازی سازگار (ANFIS) و ماشین بردار پشتیبان (SVM) مدل سازی شده و سپس پیش بینی می شود. جهت انجام این تحقیق از مشاهدات ایستگاه GNSS تهران (N۶۹/۳۵، E۳۳/۵۱) که یکی از ایستگاه های شبکه جهانی IGS است، در سال های ۲۰۰۷ الی ۲۰۱۸ استفاده شده است. پارامترهای سال (year)، روز از سال (DOY)، ساعت (time)، شاخص فعالیت های خورشیدی (F۱۰.۷) و شاخص های فعالیت های ژئومغناطیسی (Kp and DST) به عنوان ورودی هر سه مدل در نظر گرفته شده و خروجی، مقدار TEC خواهد بود. برای مرحله آزمون دقت هر سه مدل، مشاهدات دو سال ۲۰۱۴ و ۲۰۱۸ از مرحله آموزش کنار گذاشته شده اند. دلیل انتخاب این دو سال، بررسی دقت مدل ها در زمان فعالیت های شدید خورشیدی (۲۰۱۴) و فعالیت های آرام خورشیدی (۲۰۱۸) است. نتایج حاصل از هر سه مدل با TEC حاصل از مدل مرجع بین المللی یونوسفر ۲۰۱۶ (IRI۲۰۱۶) و همچنین خروجی های شبکه جهانی IGS مقایسه شده است. همچنین از شاخص های آماری ضریب همبستگی، خطای نسبی و جذر خطای مربعی میانگین (RMSE) جهت بررسی دقت و صحت سه مدل استفاده شد. کمینه RMSE محاسبه شده برای مدل SVM، ۱۱/۳ TECU به دست آمده که در مقایسه با سایر مدل ها، از دقت بالاتری در مدل سازی و پیش بینی سری زمانی TEC یونوسفر در دوره فعالیت های آرام و شدید خورشیدی برخوردار است.
کلیدواژه ها:
نویسندگان
Seyed Reza Ghaffari Razin
Assistant Professor, Department of Geomatics, Faculty of Geoscience Engineering, Arak University of Technology, Arak, Iran
Navid Hooshangi
Assistant Professor, Department of Geomatics, Faculty of Geoscience Engineering, Arak University of Technology, Arak, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :