سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

ارزیابی تاثیر پارامترهای خورشیدی و ژئومغناطیسی در مدل سازی زمانی-مکانی محتوای الکترون کلی (TEC) یونسفر با استفاده از مدل های یادگیری ماشین

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 152

فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JESPHYS-49-1_009

تاریخ نمایه سازی: 26 مهر 1402

چکیده مقاله ارزیابی تاثیر پارامترهای خورشیدی و ژئومغناطیسی در مدل سازی زمانی-مکانی محتوای الکترون کلی (TEC) یونسفر با استفاده از مدل های یادگیری ماشین

در این مقاله مقدار محتوای الکترون کلی (TEC) یونسفر  با مدل های یادگیری ماشین (ML)، به صورت مکانی-زمانی، مدل سازی شده و مورد ارزیابی و مقایسه قرار می گیرد. روش های رگرسیون بردار پشتیبان (SVR) و شبکه عصبی مصنوعی (ANN) جهت مدل سازی محلی TEC استفاده می شوند. نوآوری اصلی این مقاله در ارزیابی تاثیر پارامترهای فیزیکی مختلف (KP، AP، DST و F۱۰.۷) در دقت خروجی مدل های یادگیری ماشین است. نتایج به دست آمده از دو مدل جدید با نتایج مدل جهانی یونسفری (GIM)، مدل های تجربی IRI۲۰۱۶ و NeQuick در دو ایستگاه کنترل داخلی و یک ایستگاه کنترل خارجی مورد مقایسه قرار گرفته اند. شاخص های آماری جذر خطای مربعی میانگین (RMSE)، خطای نسبی،  dVTEC=|VTECGPS-VECmodel|و ضریب همبستگی برای ارزیابی خطای مدل ها، به کار گرفته شده است. ارزیابی تاثیر پارامترهای ژئومغناطیسی و خورشیدی در خروجی مدل های SVR و ANN نسبت به پارامترهای ورودی انجام و اهمیت هرکدام از پارامترهای فیزیکی در مدل سازی مکانی-زمانی یونسفر مورد بررسی قرار گرفته است. میانگین RMSE محاسبه شده در دو ایستگاه کنترل داخلی برای مدل های SVR، ANN، GIM، IRI۲۰۱۶ و NeQuick به ترتیب برابر با ۰۴/۱، ۹۱/۳، ۰.۲/۳، ۹۰/۶ و ۶۵/۷ TECU شده است. همچنین میانگین ضریب همبستگی مدل ها در دو ایستگاه کنترل داخلی به ترتیب برابر با ۹۷/۰، ۷۲/۰، ۸۴/۰، ۶۸/۰ و ۶۰/۰ محاسبه شده است. نتایج به دست آمده از این مقاله نشان می دهد که در هر دو حالت فعالیت های ژئومغناطیسی و خورشیدی بالا و پایین، مدل SVR در ایستگاه های کنترل داخلی از دقت و صحت بالاتری نسبت به سایر مدل ها برخوردار است.

کلیدواژه های ارزیابی تاثیر پارامترهای خورشیدی و ژئومغناطیسی در مدل سازی زمانی-مکانی محتوای الکترون کلی (TEC) یونسفر با استفاده از مدل های یادگیری ماشین:

نویسندگان مقاله ارزیابی تاثیر پارامترهای خورشیدی و ژئومغناطیسی در مدل سازی زمانی-مکانی محتوای الکترون کلی (TEC) یونسفر با استفاده از مدل های یادگیری ماشین

مهدیه السادات نظام زاده

گروه مهندسی ژئودزی، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران. رایانامه: m.nezamzadeh۹۷@gmail.com

بهزاد وثوقی

گروه مهندسی ژئودزی، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران. رایانامه: vosoghi@kntu.ac.ir

سید رضا غفاری رزین

نویسنده مسئول، گروه مهندسی نقشه برداری، دانشکده مهندسی علوم زمین، دانشگاه صنعتی اراک، ایران. رایانامه: mr.ghafari@arakut.ac.ir

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 :
Amerian, Y., Voosoghi, B., & Mashhadi Hossainali, M. (۲۰۱۳). Regional ...
Bilitza, D., & Reinisch, B. W. (۲۰۰۸). International reference ionosphere ...
Browne, S., Hargreaves, J., & Honary, B. (۱۹۹۵). An imaging ...
Cander. R (۱۹۹۸), Artificial neural network applications in ionospheric studies. ...
Cortes, C., & Vapnik, V. (۱۹۹۵). Support-vector networks. Machine Learning, ...
Etemadfard, H., & Mashhadi Hossainali, M. (۲۰۱۶). Application of Slepian ...
Feizi R, Voosoghi B, & Ghaffari Razin M. R. (۲۰۲۰). ...
Ghaffari Razin, M. R., & Voosoghi, B. (۲۰۱۷). Ionosphere tomography ...
Ghaffari-Razin, M. R., & Voosoghi, B. (۲۰۱۸). Application of Wavelet ...
Ghaffari Razin, M. R., & Voosoghi, B. (۲۰۱۶a). Modeling of ...
Ghaffari Razin, M. R., & Voosoghi, B. (۲۰۱۶b). Wavelet neural ...
Habarulema, J. B., McKinnell, L. A., & Opperman, B. D. ...
Huang, Z., Li, Q., & Yuan, H. (۲۰۱۵). Forecasting of ...
Haykin, S. (۱۹۹۴). Neural Networks: A Comprehensive Foundation, MacMillan College ...
Hofmann-Wellenhof, B., Lichtenegger, H., & Wasle, E. (۲۰۰۷). GNSS–global navigation ...
Inyurt, S., & Sekertekin, A. (۲۰۱۹). Modeling and predicting seasonal ...
Jang, H., & Topal, E. (۲۰۱۴). A review of soft ...
Jang, J. S. (۱۹۹۳). ANFIS: adaptive-network-based fuzzy inference system. IEEE ...
Komjathy, A. (۱۹۹۷). Global ionospheric total electron content mapping using ...
Leick, A., Rapoport, L., & Tatarnikov, D. (۲۰۱۵). GPS satellite ...
Mars, P., Chen, J., Nambiar, R., & Fidler, J. (۱۹۹۶). ...
Muhtarov, P., Kutiev, I., & Cander, L., (۲۰۰۲). Geomagnetically correlated ...
Mautz, R., Ping, J., Heki, K., Schaffrin, B., Shum, C., ...
Nava, B., Coisson, P., & Radicella, S. (۲۰۰۸). A new ...
Nematipour, P., Raoofian-Naeeni, M., & Ghaffari Razin, M. R. (۲۰۲۱). ...
Sayin, I., Arikan, F., Arikan, O. (۲۰۰۸). Regional TEC mapping ...
Schunk, R.W., & Nagy, A.F. (۲۰۰۰). Ionospheres: Physics, Plasma Physics, ...
Seeber, G. (۲۰۰۳). satellite geodesy: foundations. Methods and applications, Walter ...
Sharifi, M. A., & Farzaneh, S. (۲۰۱۵). Regional TEC dynamic ...
Simpson, P. (۱۹۹۰). Artificial neural system-foundation, paradigm, application and implementation ...
Smola, A. J., & Schölkopf, B. (۱۹۹۸). On a kernel-based ...
Tebabal, A., Radicella, S., Damtie, B., Migoya-Orue, Y., Nigussie, M., ...
Vapnik, V. (۱۹۹۵). Support-vector Networks. Machine Learning, ۲۰, ۲۷۳-۲۹۷ ...
Xia, G., Liu, Y., Wei, T., Wang, Z., Huang, W., ...
Yeganeh, B., Motlagh, M. S. P., Rashidi, Y., & Kamalan, ...
نمایش کامل مراجع