مدل‌سازی سری زمانی تغییرات محتوای الکترون کلی یونوسفر با شبکه عصبی موجک سه‌لایه و الگوریتم آموزش هیبرید PSO

غفاری رزین, میررضا; وثوقی, بهزاد

doi:10.30699/jsst.2021.1204

نوع مقاله : مقالة‌ تحقیقی‌ (پژوهشی‌)

نویسندگان

¹ گروه مهندسی نقشه‌برداری، دانشکده علوم زمین، دانشگاه صنعتی اراک، اراک، ایران

² گروه ژئودزی، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران ایران

https://doi.org/10.30699/jsst.2021.1204

چکیده

در این مقاله از ترکیب شبکه‌های عصبی موجک سه‌لایه (WNNs) به همراه الگوریتم آموزش بروش بهنیه‌سازی انبوه ذرات هیبرید (PSO-BP) جهت مدل‌سازی تغییرات زمانی-مکانی محتوای الکترون کلی (TEC) یونوسفر در منطقه شمالغرب ایران (N-W) استفاده شده است. مشاهدات 30 روز ماه ژانویه سال 2018 جهت ارزیابی روش پیشنهادی بکار گرفته شده است. تعداد مشاهدات ورودی انتخاب شده جهت آموزش شبکه عصبی موجک سه‌لایه با الگوریتم آموزش PSO-BP بترتیب 20 و 10 ایستگاه از شبکه محلی آذربایجان می‌باشند. در هر 2 حالت تعداد 3 ایستگاه با توزیع مناسب به عنوان ایستگاه‌های آزمون در نظر گرفته شده‌اند. شاخص‌های آماری خطای نسبی، خطای |dVTEC|، انحراف معیار 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، مدل مرجع جهانی یونوسفر 2016 (IRI2016) و همچنین خروجی شبکه جهانی IGS (GIM) مقایسه شده است.

کلیدواژه‌ها

20.1001.1.20084560.1399.13.3.4.8

موضوعات

سیستم‌های مکان‌یابی جهانی و ناوبری

عنوان مقاله [English]

Time series modeling of ionosphere total electron content using wavelet neural network and hybrid PSO training algorithm

نویسندگان [English]

Mir Reza Ghaffari Razin ¹
Behzad Voosoghi ²

¹ Department of Geo-science Engineering, Arak University of Technology, Arak, ,Iran

² Faculty of Geodesy and Geomatics Engineering, K.N.Toosi University of Technology, Tehran, Iran

چکیده [English]

In this paper, WNN with PSO training algorithm is used to modeling and prediction of time-dependent ionosphere total electron content (TEC) variations. 2 different combinations of input observations are evaluated. The number of stations used to train of WNN with PSO algorithm selected 20 and 10. In all testing mode, 3 GPS stations with proper distribution are considered as a testing stations. Statistical indicators relative error, dVTEC and correlation coefficient were used to assess the wavelet neural network model. The results of proposed model compared with GPS-TEC and international reference ionosphere 2012 (IRI-2012) TEC. Average relative error computed in 3 test stations are 5.43% with 20 training station and 9.05% with 10 training station. Also the correlation coefficient calculated in 3 test stations are 0.954 with 20 training station and 0.907 with 10 training station. The results of this study show that the WNN with PSO algorithm is a reliable model to predict the temporal variations in the ionosphere.

کلیدواژه‌ها [English]

TEC
WNN
PSO
GPS
IRI-2016

مراجع

[1] Yang, Z., Song, S., Jiao, W., Chen, G., Xue, J., Zhou, W., and Zhu, W., “Ionospheric Tomography Based on GNSS Observations of the CMONOC: Performance in the Topside Ionosphere”, GPS Soluiont,Vol. 21, No. 2, 2017, pp. 363-375.

[2] Yao, Y., Tang, J., Kong, J., Zhang, L., and Zhang, S., “ Application of Hybrid Regularization Method for Tomographic Reconstruction of Midlatitude Ionospheric Electron Density”, Advances in Space Research, Vol. 52, No. 12, 2013, pp. 2215–2225.

[3] Ghaffari Razin, M.R. and Hossainali, M.M., “ 3D Modeling of Ionospheric Tomography Using GPS Observations Geodynamics Network of Iran in Three Different Seasons”, Journal of the Space Science and Technology, Vol. 4, No. 2, 2011, pp. 1–14, (In Persian).

[4] Seeber, G., “Satellite Geodesy: Foundations, Methods and Application”, Walter de Gruyter, Berlin and New York, 531, 1993.

[5] Ghaffari Razin, M.R. and Voosoghi, B.,“Modeling and Interpolation of Ionosphere Total Electron Content Using Artificial Neural Network and GPS Observation”, Journal of the Earth and Space Physics, Vol. 42, No. 2, 2015, pp. 419-437.

[6] Ghaffari Razin, M.R. and Mohammadzadeh, A., “Regional Ionosphere Modeling Using Artificial Neural Networks and Polynomial Fitting Over Iran”, JGST, Vol. 4, No. 3, 2015, pp. 51-60.

[7] Ghaffari Razin, M. R. and Voosoghi, B.,“Efficiency of Multi-layer Artificial Neural Network with PSO Training Algorithm in Ionosphere Time Series Modeling”, JGST, Vol. 7, No. 1, 2017, pp. 101-113.

[8] Liu, Z. and Gao, Y., “Ionospheric TEC Predictions over a Local Area GPS Reference Network”, GPS Solutions, Vol. 8, No. 1, 2003, pp. 23-29.

[9] Amerian, Y., Voosoghi, B., and Hossainali, M.M., “Regional Ionosphere Modeling in Support of IRI and Wavelet Using GPS Observations”, Acta Geophysica, Vol. 61, No. 5, 2013, pp. 1246-1261.

[10] Abdi, N., Azmoudeh Ardalan, A.R., and Karimi, R.,“Combination of GPS and Satellite Altimetry Observations for Local Ionosphere Modeling Over Iran”, JGST, Vol. 7, No. 3, 2018, pp. 109-125.

[11] Abdi, N., Azmoodeh Ardalan, A.R., and Karimi, R.,“Evaluation of Iran Ionosphere Model Based on GPS Data Processing”, JGST, Vol. 5, No. 4, 2016, pp. 37-47.

[12] Abdi, N., Ardalan A.A., and Karimi, R. “Rapid Local Ionosphere Modeling Based on Precise Point Positioning over Iran: A Case Study under 2014 Solar Maximum”, Advances in Space Research, Vol. 63, 2019, pp. 937-949.

[13] Sharifi, M.A. and Farzaneh, S., “Regional TEC Dynamic Modeling Based on Slepian Functions”, Advances in Space Research, Vol. 56, No. 5, 2020, pp. 907-915.

[14] Etemadfard, H. and Hossainali, M.M., “Application of Slepian Theory for Improving the Accuracy of Global Ionosphere Models in the Arctic Region”, J. Geophys. Res. Space Physics, Vol. 121, No. 3, 2016, pp. 2583-2594.

[15] Akhoondzadeh, M., “Investigation of GPS-TEC Measurements Using ANN Method Indicating Seismo-273 Ionospheric Anomalies around the Time of the Chile (Mw = 8.2) Earthquake of 01 April 2014”, Advance in space research, Vol. 54, No. 9, 2014, pp. 1768-1772.

[16] Yilmaz, A., Akdogan, K.E., and Gurun, M., “Regional TEC Mapping Using Neural Networks”, Radio Sci., Vol. 44, No. 3, 2009, pp. 1-16,.

[17] Ghaffari Razin, M.R., Voosoghi, B., and Mohammadzadeh, A., “Efficiency of Artificial Neural Networks in Map of Total Electron Content over Iran”, Acta Geod Geophys, Vol. 51, No. 3, 2015,pp. 541-555.

[18] Sabzehee, F., Farzaneh, S., Sharifi, M.A., and Akhoondzadeh, M., “TEC Regional Modeling and Prediction Using ANN Method and Single Frequency Receiver over IRAN”, Annals of Geophysics. Vol. 61, No. 1, 2018.

[19] Feizi, R., Voosoghi, B., and Ghaffari Razin, M.R., “Evaluation of the Efficiency of the Adaptive Neuro Fuzzy Inference System (ANFIS) in the Modeling of the Ionosphere Total Electron Content Time Series Case Study: Tehran Permanent GPS Station”, JGST, Vol. 8, No. 4, 2019, pp. 109-119.

[20] Tulasi Ram, S., Gowtam, S., Mitra, V., and Reinisch, B., “The Improved Two-dimensional Artificial Neural Network-based Ionospheric Model (ANNIM)”, Journal of Geophysical Research: Space Physics, Vol. 123, No. 7, 2018, pp. 5807-5820.

[21] Tebabal, A., Radicella, S.M., Damtie, B., Migoya-Orue, B., Nigussie, M., and Nava, B., “Feed Forward Neural Network Based Ionospheric Model for the East African Region”, Journal of Atmospheric and Solar–Terrestrial Physics, Vol. 191, 2019, pp. 105052.

[22] Zhang, Q. and Benveniste, A., “Wavelet Networks”, IEEE Transactions on Neural Networks, Vol. 3, No. 6, 1992, pp. 889-898.

[23] Zapranis, A. and Alexandridis, A., “Modeling Temperature Time Dependent Speed of Mean Reversion in the Context of Weather Derivative Pricing”, Applied Mathematical Finance, Vol. 15, No. 4, 2008, pp. 355-386.

[24] Zhang, J.R., Zhang, J., Lok, T., and Lyu, M.,“A Hybrid Particle Swarm Optimization–back-propagation Algorithm for Feed Forward Neural Network Training”, Applied Mathematics and Computation, Vol. 185, No. 2007, pp. 1026-1037.

علوم و فناوری فضایی

مدل‌سازی سری زمانی تغییرات محتوای الکترون کلی یونوسفر با شبکه عصبی موجک سه‌لایه و الگوریتم آموزش هیبرید PSO

مراجع

مراجع

دوره 13، شماره 3 - شماره پیاپی 44
مهر 1399
صفحه 39-50

مدل‌سازی سری زمانی تغییرات محتوای الکترون کلی یونوسفر با شبکه عصبی موجک سه‌لایه و الگوریتم آموزش هیبرید PSO

مراجع

مراجع

دوره 13، شماره 3 - شماره پیاپی 44مهر 1399صفحه 39-50

دوره 13، شماره 3 - شماره پیاپی 44
مهر 1399
صفحه 39-50