ترکیب شبکه عصبی با الگوریتم ژنتیک جهت پیش‌بینی درخشش یونسفری با استفاده از پارامتر s4 و مشاهدات سیستم تعیین موقعیت جهانی

جوشش‌های پلاسمای یونسفری معمولا سبب ایجاد تغییراتی نامنظم در چگالی الکترونی یونسفر می‌شوند. این تغییرات در فاز سیگنال ارسالی از ماهواره تاثیر گذاشته و درنهایت مجموعه‌ای از این تغییرات در لایه یونسفر سبب ایجاد پدیده‌ای به نام درخشش یونسفری می‌شود. این پدیده به صورت نامنظم رخ می‌دهد و درصد رخداد آن در نواحی با عرض‌ جغرافیایی پایین نسبت به مناطق با عرض جغرافیایی متوسط و بالا بیشتر است. در نواحی استوایی احتمال وقوع این پدیده معمولا پس از غروب خورشید افزایش می‌یابد که می‌توان اغتشاشات پلاسما را به‌عنوان یکی از عوامل وقوع این پدیده در این بازه زمانی دانست. پژوهش حاضر پیرامون مدل‌سازی و درنهایت پیش‌بینی درخشش یونسفری با استفاده از پارامترهای فیزیکی مرتبط با این پدیده می‌باشد. مدل‌سازی انجام شده در این پژوهش با استفاده از روش شبکه عصبی و ترکیب آن با الگوریتم ژنتیک که نوعی الگوریتم جهت برآورد مینیمم مطلق برای وزن‌های شبکه عصبی می‌باشد و نتایج حاصل از آن نسبت به مدل‌سازی با شبکه‌های عصبی که تنها متمرکز بر روش‌های کمترین مربعات می‌باشند، دقیق‌تر است. این مدل‌سازی برای محدوده عرض‌های جغرافیایی پایین و منطقه نزدیک به استوا انجام گرفته و به این منظور ایستگاه مشاهداتی گوام (guam) متعلق به سرویس igs واقع در کشور گوام و با طول 144.8683 و عرض جغرافیایی 13.5893 می‌باشد، انتخاب شده است که درخشش یونسفری در این محدوده‌ با میزان 20 درجه اختلاف نسبت به استوا، پدیده‌ای غالب است. این مدل‌سازی برای ماه ژوئن سال 2017 انجام گرفته و به‌واسطه آن یک پیش‌بینی عددی به کمک داده‌های فیزیکی یونسفر برای روز اول ماه جولای سال 2017 که روز بعد از این مدل‌سازی است، انجام گرفته است. مدل طراحی شده در این پژوهش توانایی پیش‌بینی روزانه برای پدیده درخشش‌ یونسفری در منطقه مورد مطالعه را با دقتی در حدود 78 درصد داراست.

Combining Neural Network with Genetic Algorithm for prediction of S4 Parameter using GPS measurement

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 datadependent 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%.