برآورد پارامترهای مدل فیزیکی پیش بینی چگالی الکترونی یونسفر با استفاده از شبکه عصبی مصنوعی

یونسفر به عنوان لایه بالایی اتمسفر زمین حاوی یون‌ها و الکترون‌های آزاد است که تاثیر زیادی بر انتقال سیگنال‌های رادیویی و ماهواره‌ای دارد. تصحیح مشاهدات سیستم‌های ماهواره‌ای ماهواره‌ای جهانی (gnss) جهت افزایش دقت تعیین موقعیت، بهبود طراحی و عملکرد سیستم‌های ارتباطات رادیویی، تصحیح تاثیرات یونسفر برای ارتقاء دقت داده‌های راداری، درک بهتر تغییرات جوی و فضایی براثر طوفان‌های خورشیدی و فعالیت‌های ژئومغناطیسی، از جمله مواردی است که اهمیت پیش‌بینی چگالی الکترونی یونسفر (ied) را دو چندان کرده است. پیش‌بینی چگالی الکترونی یونسفر به نسبت محتوای کلی الکترونی (tec) مزیت بیشتری دارد؛ چراکه اطلاعات دقیق‌تری در خصوص توزیع الکترون‌ها در ارتفاعات مختلف یونسفر فراهم می‌نماید. هدف از این پژوهش پیش بینی چگالی الکترونی یونسفر با استفاده از پیش‌بینی پارامترهای معادله پیوستگی با بکارگیری شبکه عصبی مصنوعی (ann) است. این مطالعه به پیش‌بینی چگالی الکترونی یونسفر برای روز 129 سال 2016  در محدوده ایران می پردازد که در سه فاز کلی انجام شده است. ابتدا با استفاده از چگالی الکترونی یونسفر دریافت شده از مرجع بین المللی یونسفر (iri) و یک فرآیند رگرسیون خطی مقید و محاسبه شار تابشی خورشید بر روی نقاط شبکه ای با فواصل 0.5 درجه، پارامترهای معادله پیوستگی محاسبه می گردد. این مقادیر به عنوان داده های هدف به شبکه عصبی مصنوعی معرفی تا در کنار داده های ورودی مربوط به روزهای 123 تا 128 ام سال 2016، یک شبکه عصبی پیشخور آموزش داده شود. در فاز سوم پارامتر های پیش بینی شده توسط شبکه عصبی مصنوعی در معادله دیفرانسیل پیوستگی قرار گرفته و پیش بینی چگالی الکترونی یونسفر  انجام می گردد. با ارزیابی نتایج، مقدار متوسط rms اختلاف چگالی الکترونی یونسفر پیش بینی شده و چگالی الکترونی یونسفر iri در روز 129 ام برای بازه زمانی 1ساعت برابر -1^10×2.3733، دو ساعت -1^10×5.1694 و سه ساعته 11^10×1.0943 الکترون بر مترمکعب بوده است.

estimation of ionospheric electron density physical perdiction model parameters using artificial neural network

the ionosphere, the upper layer of the earth’s atmosphere, contains free ions and electrons, which greatly impact radio and satellite signal transmission. correcting the observations of global navigation satellite systems (gnss) to increase the accuracy of positioning, improving the design and performance of radio communication systems, correcting the effects of the ionosphere to improve the accuracy of radar data, better understanding atmospheric and spatial changes due to storms, solar and geomagnetic activities are some examples which demonstrate the considerable importance of ionospheric electron density (ne) prediction. electron density prediction is technically superior to total electron content (tec), providing more accurate information regarding the distribution of electrons at different heights of the ionosphere. this research aims to predict the ionospheric electron density by predicting the parameters of the continuity equation using an artificial neural network. this study, which was conducted in three broad phases, predicts the electron density of the ionosphere for iran on the 129th day of 2016. firstly, the parameters of the continuity equation are computed using the electron density obtained from the international ionosphere reference (iri), a restricted linear regression procedure, and the sun’s radiant flux on grid points spaced 0.5 degrees apart. together with the input data from the 123rd to 128th days of 2016. in the second phase, these values are used in the artificial neural network to train a feed-forward neural network. in the third stage, the ionosphere’s electron density is predicted by inserting the artificial neural network’s predicted parameters into the continuity differential equation. after analyzing the data, it was determined that the average rms value of the difference between the iri electron density and the predicted electron density on the 129th day was 1.0943×1011 for three hours, 2.3733×1010 for two hours, and 1694.5×1010 for two hours.