ورود
مقالات فارسیISIکنفرانسهاژورنالها

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

محل انتشار: مجله فیزیک زمین و فضا، دوره: 49، شماره: 1
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 121

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:
https://civilica.com/doc/1781425

شناسه ملی سند علمی:

JR_JESPHYS-49-1_009

تاریخ نمایه سازی: 26 مهر 1402

چکیده مقاله:

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 ها:

نویسندگان

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