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

پیام:
نوع مقاله:
مقاله پژوهشی/اصیل (دارای رتبه معتبر)
چکیده:
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 F10.7) 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 IRI2016 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 ژیومغناطیسی 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، IRI2016 و NeQuick به ترتیب برابر با 04/1، 91/3، 0.2/3، 90/6 و 65/7 TECU شده است. همچنین میانگین ضریب همبستگی مدل ها در دو ایستگاه کنترل داخلی به ترتیب برابر با 97/0، 72/0، 84/0، 68/0 و 60/0 محاسبه شده است. نتایج به دست آمده از این مقاله نشان می دهد که در هر دو حالت فعالیت های ژیومغناطیسی و خورشیدی بالا و پایین، مدل SVR در ایستگاه های کنترل داخلی از دقت و صحت بالاتری نسبت به سایر مدل ها برخوردار است.
زبان:
فارسی
صفحات:
153 تا 169
لینک کوتاه:
https://www.magiran.com/p2591371 
سامانه نویسندگان
  • دکتر بهزاد وثوقی
    نویسنده (2)
    دکتر بهزاد وثوقی
    (1379) دکتری مهندسی نقشه برداری-ژئودزی، University of Stuttgart, Germany
اطلاعات نویسنده(گان) توسط ایشان ثبت و تکمیل شده‌است. برای مشاهده مشخصات و فهرست همه مطالب، صفحه رزومه را ببینید.
مقالات دیگری از این نویسنده (گان)