مدل‌سازي منطقه اي TEC با استفاده از شبكه‌هاي عصبي مصنوعي و مدل چند جمله‌اي در ايران

Regional Ionosphere Modeling Using Artificial Neural Networks and Polynomial Fitting Over Iran

در این مقاله از یك شبكه عصبی مصنوعی پرسپترون 3 لایه با 5 نرون در لایه مخفی جهت مدلسازی مقدار محتوای الكترون لایه یونوسفر (TEC) استفاده شده است. بدین منظور از 25 ایستگاه GPS شبكه ژئودینامیك كشور ایران در محدوده عرض جغرافیایی 24 الی 40 درجه و طول جغرافیایی 44 الی 64 درجه استفاده گردیده است. ارزیابی نتایج بدست آمده از شبكه عصبی مصنوعی مدلسازی شده برای این منطقه توسط 1 ایستگاه تست GPS كه مقادیر محتوای الكترونی آن از قبل در دست بوده انجام گرفته است. به دلیل اینكه ایستگاه مورد نظر مجهز به دستگاه اندازه گیری مستقیم دانسیته الكترونی بوده (دستگاه یونوسوند) و بصورت مستقل می توان در موقعیت آن ایستگاه مقدار محتوای الكترونی را با دقت و صحت بالا بدست آورد، از این ایستگاه برای تست نتایج استفاده شده است. مینیمم خطای نسبی بدست آمده از این ارزیابی 73/0 درصد و ماكزیمم خطای نسبی66/34 درصد می باشد. همچنین جهت ارزیابی كارائی شبكه های عصبی مصنوعی در برآورد مقدار محتوای الكترون یونوسفر، در این مقاله از یك چندجمله ای مرتبه 3 با 11 ضریب جهت مدلسازی TEC استفاده شده است. مقایسه مقادیر خطای نسبی محاسبه شده برای مدل چندجمله ای با مقادیر خطای نسبی بدست آمده برای شبكه عصبی، حاكی از برتری این روش نسبت به مدل چندجمله ای در برآورد مقدار محتوای الكترون لایه یونسفر در این منطقه است. تعداد نرونهای لایه مخفی در شبكه عصبی و نیز مرتبه و تعداد ضرایب چند جمله ای مورد استفاده در این مقاله بر اساس آزمون و خطا و با در نظر گرفتن مینیمم خطای نسبی برای نتایج تعیین شده است.

In this paper, 3-layer perceptron Neural Network has been used with 5 neuron in hidden layer for modeling the Ionospheric Total Electron Content (TEC) Over Iran. For this purpose, 25 GPS station from IPGN is used. These 25 stations are located within a range of approximately 24oN to 40oN and 44oE to 64oE. Evaluation of the results has been applied with 1 GPS station in Tehran. The station is equipped with ionosonde. So it is possible to calculate independently the TEC at the station. Minimum relative error obtained from evaluation is 0.73% and maximum relative error is 34.66 %. In this research, for the evaluation of artificial neural networks in estimating the TEC, a polynomial of degree 3 with 11 coefficients are used. Comparison of the relative error from polynomial model and relative error from neural network, illustrate the superiority of the neural model with respect to polynomial in this region. The number of neurons in hidden layer of neural network and the order and coefficients of the polynomial used in this paper is determined by trial and error, and by taking the minimum relative error for the results.