Seyed Reza Ghaffari Razin - Assistant Professor, Department of Geomatics, Faculty of Geoscience Engineering, Arak University of Technology, Arak, Iran
Navid Hooshangi - Assistant Professor, Department of Geomatics, Faculty of Geoscience Engineering, Arak University of Technology, Arak, Iran

یونوسفر یکی از لایه های جو زمین است که به علت خاصیت الکتریکی، ممکن است اثرات مخرب و زیان باری را روی امواج الکترومغناطیسی عبوری از آن را داشته باشد. جهت بررسی این اثرات، مقدار محتوای الکترونی کلی (TEC) یونوسفر مورد مطالعه و بررسی قرار می گیرد. در این مقاله سری زمانی یونوسفر با استفاده از سه مدل شبکه های عصبی مصنوعی (ANNs)، سیستم استنتاج عصبی-فازی سازگار (ANFIS) و ماشین بردار پشتیبان (SVM) مدل سازی شده و سپس پیش بینی می شود. جهت انجام این تحقیق از مشاهدات ایستگاه GNSS تهران (N۶۹/۳۵، E۳۳/۵۱) که یکی از ایستگاه های شبکه جهانی IGS است، در سال های ۲۰۰۷ الی ۲۰۱۸ استفاده شده است. پارامترهای سال (year)، روز از سال (DOY)، ساعت (time)، شاخص فعالیت های خورشیدی (F۱۰.۷) و شاخص های فعالیت های ژئومغناطیسی (Kp and DST) به عنوان ورودی هر سه مدل در نظر گرفته شده و خروجی، مقدار TEC خواهد بود. برای مرحله آزمون دقت هر سه مدل، مشاهدات دو سال ۲۰۱۴ و ۲۰۱۸ از مرحله آموزش کنار گذاشته شده اند. دلیل انتخاب این دو سال، بررسی دقت مدل ها در زمان فعالیت های شدید خورشیدی (۲۰۱۴) و فعالیت های آرام خورشیدی (۲۰۱۸) است. نتایج حاصل از هر سه مدل با TEC حاصل از مدل مرجع بین المللی یونوسفر ۲۰۱۶ (IRI۲۰۱۶) و همچنین خروجی های شبکه جهانی IGS مقایسه شده است. همچنین از شاخص های آماری ضریب همبستگی، خطای نسبی و جذر خطای مربعی میانگین (RMSE) جهت بررسی دقت و صحت سه مدل استفاده شد. کمینه RMSE محاسبه شده برای مدل SVM، ۱۱/۳ TECU به دست آمده که در مقایسه با سایر مدل ها، از دقت بالاتری در مدل سازی و پیش بینی سری زمانی TEC یونوسفر در دوره فعالیت های آرام و شدید خورشیدی برخوردار است.

Ionosphere, TEC, GPS, neural network, ANFIS, SVM