بهزاد وثوقی

در این مقاله ایده استفاده از مدل شبکه عصبی حافظه کوتاه مدت طولانی (LSTM) به منظور مدل سازی و پیش بینی سری زمانی یونوسفر در دوره فعالیت های شدید خورشیدی به عنوان یک روش جدید ارائه شده است. با استفاده از مدل جدید مقدار محتوای الکترون کلی (TEC) مدل سازی شده و سپس تغییرات زمانی آن در دوره فعالیت های شدید خورشیدی و ژئومغناطیسی (سال 2017) پیش بینی می شود. برای بررسی کارائی روش مورد اشاره، از مشاهدات ایستگاه GPS تهران (N35/69 ، E51/33) که یکی از ایستگاه های شبکه جهانی IGS می باشد، استفاده شده است. مشاهدات سال های 2007 الی 2016 برای آموزش مدل مورد نظر به کار گرفته شده و سپس با مدل آموزش دیده، سری زمانی TEC در سال 2017 پیش بینی می شوند. نتایج حاصل از مدل جدید با نتایج حاصل از مدل شبکه عصبی رگرسیون عمومی (GRNN)، مدل تجربی NeQuick و خروجی شبکه جهانی IGS (GIM-TEC) مقایسه شده است. همچنین از شاخص های آماری ضریب همبستگی، خطای نسبی و جذر خطای مربعی میانگین (RMSE) به منظور بررسی دقت و صحت مدل ها استفاده می شود. مقدار RMSE به دست آمده برای مدل های LSTM، GRNN، GIM و NeQuick در مرحله تست سال 2017 به ترتیب برابر با 2/87، 4/51، 4/14 و 6/38 TECU می باشد. آنالیز مؤلفه های مختصاتی ایستگاه تهران با روش تعیین موقعیت نقطه ای دقیق (PPP) نشان می دهد که با استفاده از مدل جدید، بهبودی در حدود 5/19 الی 56/23 میلیمتر در مختصات ایستگاه نسبت به سایر مدل ها دیده می شود. نتایج حاصل از این تحقیق نشان می دهد که دقت و صحت مدل LSTM برای پیش بینی مقدار TEC در دوره فعالیت های شدید خورشیدی و ژئومغناطیسی، در مقایسه با مدل های GRNN، NeQuick و GIM بیشتر است.

در این مقاله از ترکیب شبکه های عصبی موجک ( WNNs ) به همراه الگوریتم آموزش بهینه سازی انبوه ذرات ( PSO ) جهت مدل سازی تغییرات زمانی محتوای الکترون کلی ( TEC ) یون سپهر در منطقه ایران استفاده شده است. چهار ترکیب از تعداد مشاهدات ورودی مختلف جهت تست روش، مورد ارزیابی قرار گرفته است. تعداد مشاهدات ورودی انتخاب شده جهت آموزش شبکه عصبی موجک با الگوریتم PSO به ترتیب 25، 20، 15 و 10 ایستگاه از شبکه مبنای ژئودینامیک ایران ( IPGN ) می باشند. در هر چهار حالت تعداد پنج ایستگاه با توزیع مناسب در گستره جغرافیایی ایران به عنوان ایستگاه های آزمون در نظر گرفته شده اند. شاخص های آماری خطای نسبی، خطای مطلق و ضریب همبستگی جهت ارزیابی مدل شبکه عصبی موجک مورد استفاده قرار گرفته است. نتایج حاصل از مدل پیشنهادی این مقاله با TEC حاصل از مشاهدات GPS به عنوان مرجع اصلی و مدل جهانی یون سپهر 2016 ( IRI -2016 ) مقایسه شده است. میانگین خطای نسبی محاسبه شده در 5 ایستگاه آزمون برای شبکه عصبی موجک با 25 ایستگاه آموزش برابر با 43/13 % ، با 20 ایستگاه آموزش برابر با 73/13 % ، با 15 ایستگاه آموزش برابر با 05/15 % و با 10 ایستگاه آموزش برابر با 17/28 % تعیین شده است. همچنین میانگین مقادیر ضریب همبستگی محاسبه شده در پنج ایستگاه آزمون برای شبکه عصبی موجک با 25 ایستگاه آموزش برابر با 9768/0، با 20 ایستگاه آموزش برابر با 9545/0، با 15 ایستگاه آموزش برابر با 9376/0 و با 10 ایستگاه آموزش برابر با 7569/0 محاسبه شده است. نتایج این مقاله نشان می دهد که مدل شبکه عصبی موجک با الگوریتم آموزش PSO یک مدل قابل اعتماد جهت پیش بینی تغییرات زمانی یون سپهر در منطقه ایران است. این مدل می تواند یک جایگزین بسیار مطمئن برای مدل مرجع جهانی یون سپهر در ایران باشد.