پیش بینی کوتاه مدت حرکت قطبی با استفاده از شبکه های عصبی ژرف

امروزه با توجه به نیاز روز افزون پیش بینی پارامترهای حرکت قطبی از روش های مختلفی استفاده می شود. وجود مجموعه داده های بلند مدت پارامترهای x و y حرکت قطبی سبب بوجود آمدن منبع ارزشمندی برای پیش بینی این پدیده ی ژیوفیزیکی است. در این پژوهش از داده های بلند مدت حرکت قطبی برای پیش بینی دوره های 40 روزه به مدت 5 سال استفاده شده است. برای انجام پیش بینی ها از شبکه های عصبی کانولوشنی، شبکه حافظه طولانی کوتاه مدت، شبکه پرسپترون چندلایه و روش آنالیز هارمونیک کمترین مربعات استفاده شده است. در ادامه نتایج شبکه های عصبی با یکدیگر و روش آنالیز هارمونیک کمترین مربعات مقایسه گردیده است. در پایان مشخص شد که شبکه های حافظه طولانی کوتاه مدت در بیشتر روزها از شبکه های کانولوشنی و پرسپترون چندلایه نتایج بهتری دارند. همچنین مشخص شد که این روش ها دقت پیش بینی بسیار بهتری نسبت به روش آنالیز هارمونیک کمترین مربعات دارند. برای شبکه های ژرف برای پارامتر x بهترین مقادیر RMSE برای روز های اول و چهلم به ترتیب 49/0 و 05/15 میلی ثانیه کمانی است و برای پارامتر y بهترین مقادیر RMSE برای روز های اول و چهلم به ترتیب 68/0، 22/9 میلی ثانیه کمانی است. در روش آنالیز هارمونیک کمترین مربعات مقدار RMSE برای پارامتر x برای روزهای اول و چهلم به ترتیب برابر با 95/40 و 40/48 میلی ثانیه ی کمانی است و مقدار RMSE پارامتر y برای روزهای اول و چهلم به ترتیب برابر با 86/40 و 53/46 میلی ثانیه ی کمانی است.