تعیین فاکتور ثانویه اضافی سامانه ناوبری زمین پایه LPS بر مبنای شبکه یادگیری عمیق

سامانه های ناوبری زمین پایه لورن به دلیل تاثیرپذیری از عوامل محیطی مانند ارتفاع، پوشش اراضی، هدایت الکتریکی، رسانش حرارتی، دما و رطوبت، با چالش های مهمی در دقت و پایداری مواجه هستند. این عوامل با تاثیر بر مسیر و شدت امواج الکترومغناطیسی، خطای فاکتور ثانویه اضافی را ایجاد می کنند که منجر به انحراف سیگنال می شود. در این مقاله، از روش تفاضل محدود در حوزه زمان برای محاسبه مقادیر فاکتور ثانویه اضافی در منطقه مطالعاتی شمال غرب ایران و در ۱۷ کلاس مختلف پوشش اراضی استفاده شد. از آنجا که داده های هواشناسی محدود به نه ایستگاه با مختصات معلوم بودند، برای پیش بینی پارامترهای جوی کل منطقه، از تصاویر ماهواره ای مادیس بهره گرفته شد. مدل های یادگیری عمیق شبکه عصبی بازگشتی حافظه طولانی کوتاه مدت برای مدل سازی دقیق تر توزیع مکانی-زمانی دما به کار رفتند و توزیع دما در شبانه روز و نقاط مختلف منطقه مطالعاتی را با دقت بالایی پیش بینی کردند. یافته ها نشان داد که ارتفاعات بالا، زمین های با رسانایی الکتریکی و حرارتی بالا و پوشش های گیاهی متراکم، منجر به افزایش مقادیر فاکتور ثانویه اضافی می شوند. در مقابل، مناطق خشک و کم رسانا مقادیر کمتری از این خطا را تولید می کنند. بر اساس نتایج حاصله،ترکیب داده های ایستگاه های هواشناسی و تصاویر ماهواره ای، دقت قابل توجهی در تحلیل و پیش بینی تغییرات فاکتور ثانویه اضافی فراهم کرده است. علاوه بر این، تحلیل نتایج نشان داد که ارتباط مستقیمی میان دما و سایر پارامترهای هواشناسی با مقدار فاکتور ثانویه اضافی وجود دارد. پژوهش حاضر با ترکیب روش های عددی و یادگیری عمیق، راهکاری جامع برای تحلیل دقیق اثرات محیطی و جغرافیایی بر سامانه ی ناوبری زمین پایه ارائه داده و امکان بهبود دقت و کارایی این سامانه ها را در شرایط پیچیده جغرافیایی و جوی فراهم می کند.

کلیدواژه ها:

فاکتور ثانویه اضافی ، سامانه ناوبری لورن ، تعیین موقعیت ، شبکه یادگیری عمیق ، خطای اختلاف زمانی ، معادلات تفاضل محدود حوزه زمان