تركيب شبكه عصبي با الگوريتم ژنتيك جهت پيش‌بيني درخشش يونسفري با استفاده از پارامتر S4 و مشاهدات سيستم تعيين موقعيت جهاني

جوشش‌هاي پلاسماي يونسفري معمولا سبب ايجاد تغييراتي نامنظم در چگالي الكتروني يونسفر مي‌شوند. اين تغييرات در فاز سيگنال ارسالي از ماهواره تأثير گذاشته و درنهايت مجموعه‌اي از اين تغييرات در لايه يونسفر سبب ايجاد پديده‌اي به نام درخشش يونسفري مي‌شود. اين پديده به صورت نامنظم رخ مي‌دهد و درصد رخداد آن در نواحي با عرض‌ جغرافيايي پايين نسبت به مناطق با عرض جغرافيايي متوسط و بالا بيشتر است. در نواحي استوايي احتمال وقوع اين پديده معمولا پس از غروب خورشيد افزايش مي‌يابد كه مي‌توان اغتشاشات پلاسما را به‌عنوان يكي از عوامل وقوع اين پديده در اين بازه زماني دانست. پژوهش حاضر پيرامون مدل‌سازي و درنهايت پيش‌بيني درخشش يونسفري با استفاده از پارامترهاي فيزيكي مرتبط با اين پديده مي‌باشد. مدل‌سازي انجام شده در اين پژوهش با استفاده از روش شبكه عصبي و تركيب آن با الگوريتم ژنتيك كه نوعي الگوريتم جهت برآورد مينيمم مطلق براي وزن‌هاي شبكه عصبي مي‌باشد و نتايج حاصل از آن نسبت به مدل‌سازي با شبكه‌هاي عصبي كه تنها متمركز بر روش‌هاي كمترين مربعات مي‌باشند، دقيق‌تر است. اين مدل‌سازي براي محدوده عرض‌هاي جغرافيايي پايين و منطقه نزديك به استوا انجام گرفته و به اين منظور ايستگاه مشاهداتي گوام (GUAM) متعلق به سرويس IGS واقع در كشور گوام و با طول 144.8683 و عرض جغرافيايي 13.5893 مي‌باشد، انتخاب شده است كه درخشش يونسفري در اين محدوده‌ با ميزان 20 درجه اختلاف نسبت به استوا، پديده‌اي غالب است. اين مدل‌سازي براي ماه ژوئن سال 2017 انجام گرفته و به‌واسطه آن يك پيش‌بيني عددي به كمك داده‌هاي فيزيكي يونسفر براي روز اول ماه جولاي سال 2017 كه روز بعد از اين مدل‌سازي است، انجام گرفته است. مدل طراحي شده در اين پژوهش توانايي پيش‌بيني روزانه براي پديده درخشش‌ يونسفري در منطقه مورد مطالعه را با دقتي در حدود 78 درصد داراست.

The ionospheric plasma bubbles cause unpredictable changes in the ionospheric electron density. These variations in the ionospheric layer can cause a phenomenon known as the ionospheric scintillation. Ionospheric scintillation could affect the phase and amplitude of the radio signals traveling through this medium. This phenomenon occurs frequently around the magnetic equator and in low latitudes, mid as well as high latitude regions. ionospheric scintillation is a very complex phenomenon to be modeled. Patterns of ionospheric scintillation occurrence are depended on spatial and temporal ionospheric variabilities. Neural Network (NN) is a data-dependent method, that its performance improves with the sample size. According to the advantages of NN for large datasets and noisy data, the NN model has been implemented for predicting the occurrences of amplitude scintillations. In this paper, the GA technique was considered to obtain primary weights in the NN model in order to identify appropriate S4 values for GUAM GPS station in Guam country (latitude: 144.8683, Longitude:13.5893). The modeling was carried out for the whole month of June 2017, while this model along with ionospheric physical data was used for predicting ionospheric scintillation at the first day of July 2017, the day after the modeling. The designed model has the ability to predict daily ionospheric scintillation with the accuracy of about 78%.