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

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.