پیش بینی ضرایب تصحیح کننده چگالی اتمسفری با استفاده از شبکه های عصبی

امروزه ماهواره های مدار پایین نقش مهمی در جمع آوری مشاهدات مربوط به زمین و میدان گرانش حاکم بر آن ایفا می کنند. عوامل مختلفی بر دقت و صحت مشاهدات این ماهواره ها موثر هستند. ازجمله ی این عوامل، اصطکاک اتمسفری وارد بر ماهواره ها است که حتی می تواند پس از مدتی کارایی آن ها را با چالش مواجه کند. به همین دلیل تلاش های گوناگونی درصدد مدل سازی و پیش بینی عوامل موثر بر این نیرو برآمده است. مدل های تجربی ارایه شده برای چگالی اتمسفری نمونه ای از این تلاش ها است. باگذشت زمان و پیدایش خطاهای موجود در مدل های تجربی، تلاش برای اصلاح آن ها آغاز شد چراکه به دلیل ساده سازی ها و محدودیت های مشاهداتی، این مدل ها همواره با خطا همراه هستند و مقدار خروجی آن ها با مقدار واقعی چگالی اتمسفر، تطابق کامل ندارد. از دیگر سو، با گسترش علوم، روش های جدیدی مانند هوش مصنوعی و شبکه های عصبی برای پیش بینی یک سری زمانی ارایه شده است که قابلیت یادگیری رفتار سیگنال بدون تشکیل یک مدل ریاضی پیچیده را دارند. در این تحقیق، از شبکه های عصبی با حافظه بلند-کوتاه مدت برای پیش بینی و اصلاح مدل های تجربی چگالی اتمسفری که مهم ترین عامل تعیین کننده ی میزان کشش اتمسفری است، استفاده شده است. این شبکه های عصبی از نوع شبکه های بازگشتی هستند و با حفظ وابستگی سیگنال در زمان می توانند دقت بهتری را برای پیش بینی سیگنال فراهم آورند. داده های مورداستفاده برای آموزش شبکه عصبی مربوط به ماهواره ی GRACE و در نیمه ی 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 مدل های عددی، موقعیت ماهواره تعیین و با موقعیت واقعی مقایسه شده است. نتایج پیش بینی نشان می دهد که در حالت تک متغیره مقدار RMSE در حدود 0.054 و در حالت چند متغیره در حدود 0.03 است و همچنین شبکه ی عصبی قادر است مدار ماهواره GRACE  را با RMSE در حدود 0.15 متر پیش بینی کند.