این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
اطلاعات جغرافیایی (سپهر)، جلد ۲۸، شماره ۱۱۰، صفحات ۱۱۹-۱۳۱
عنوان فارسی ارزیابی اثر مؤلفه ­های مکان و دما در بهبود برآورد مقدار محتوای الکترونی یونسفر در چند ایستگاه کشور
چکیده فارسی مقاله یونسفر یکی از پدیده­‌های پیچیده است که شامل مولکول­‌های یونیزه شده توسط خورشید می‌باشد. ضرورت مطالعه یونسفر و مدل‌سازی آن از این حقیقت ناشی می­‌شود که محتوای الکترونی یونسفر به پارامترهای زیادی بستگی دارند که دائما در حال تغییر هستند. انتشار امواج الکترومغناطیس در لایه یونسفر تحت تأثیر الکترون­‌های آزاد این محیط بوده، بنابراین مدل­‌سازی یونسفر در بسیاری از زمینه‌­ها از قبیل ارتباطات مخابراتی، ناوبری و تعیین موقعیت ماهواره‌­ای، سیستم‌­های راداری و سایر فناوری­‌های فضایی مورد توجه می‌­باشد. طبیعت پیچیده یونسفر باعث شده مدل­‌ها و روش­‌های مختلف دو بعدی و سه بعدی جهت رسیدن به یک برآورد مناسب از مقدار محتوای الکترون یونسفر پایه‌­گذاری، ارزیابی و مقایسه شوند. در این مقاله از شبکه­‌های عصبی موجک جهت مدل‌سازی مقدار محتوای الکترون لایه یونوسفر (TEC) در ایستگاه‌­های چهار شهر اهواز، ساری، کرمان و سقز در 365 روز از سال 2014 استفاده شده است. نتایج مدلسازی با روش‌­های مذکور برای داده‌­های مکانی و دماهای مختلف در ایران ارزیابی و مقایسه شده و به صورت کمی ارائه گردید. داده‌­های مورد استفاده، نقشه‌­های یونسفری می­‌باشند که نمایشگر میزان محتوای مجموع الکترونی هستند. نتایج این تحقیق نشان‌­دهنده تأثیر مؤلفه‌­های مکانی و دما در کارایی شبکه عصبی موجک در برآورد محتوای الکترونی یونسفر می‌­باشد. میانگین خطای نسبی به دست آمده برای حالت تلفیقی پارامترهای مکان، زمان و دما با استفاده از شبکه­‌های عصبی موجک برابر 52/11 درصد بوده است. این مقدار برای حالت تلفیقی دو پارامتر به طور میانگین برابر 05/15 درصد به دست آمده است. مقایسه صورت گرفته در مورد خطا نشان­‌دهنده برتری حالت تلفیقی سه پارامتر دما، مکان و زمان نسبت به سایر حالت­‌ها در برآورد محتوای الکترونی یونسفر بوده است. همچنین در این مقایسه، بهترین مدل مربوط به حالت­‌های مکان- دما- زمان، مکان- زمان و دما- زمان به ترتیب مربوط به شبکه­‌های عصبی RBF, MLP و B-spline با تلفیق موجک مورلت بوده است.
کلیدواژه‌های فارسی مقاله یونسفر، شبکه ­های عصبی مصنوعی، TEC، موجک، نقشه ­های یونسفری،
عنوان انگلیسی Evaluating the effect of location and temperature components on improved estimation of the ionospheric electron content
چکیده انگلیسی مقاله Extended Abstract Introduction Ionosphere is a region of ionized plasma that extends at an altitude of 80 to 1,200 km above the earth's surface. The ionosphere consists of free electrons and ions formed during the ionization process. Total electron content (TEC) in the ionosphere is reported in TECU units. Each TECU is equivalent to 1016 electron units per square meter. Ionosphere is highly sensitive to any atmospheric turbulence, and thus is considered to be an atmospheric event sensor. The present study seeks to investigate the effect of space and temperature on the amount of total ionospheric electron content in order to accurately estimate TEC value. To reach this aim, variations in latitude and longitude are decomposed for a given period of time using the process of transforming wavelet to frequency component and modeled using a variety of artificial neural networks. Materials and Methods Here, after separating the location and temperature parameters in each region, ionospheric electron density is estimated for each spatial and temperature parameter separately and also as a combination using the capabilities of artificial neural networks and wavelet transform. TEC value for each location and temperature parameter is extracted from the ionospheric maps and then used as input data in the suggested method. These maps show ionospheric electron content. The standard format of ionospheric maps, which contains TEC values is called IONEX. These files are received from the website of Iranian National Mapping Agency. Results and discussion In general, IONEX is divided into three different parts: description, TEC maps, and standard deviations of maps. TEC values are presented in a regular network. Each IONEX file includes 25 maps, the last of which is the first map of the next day. As mentioned before, TEC value gives us a better understanding of ionospheric behavior. Availability of enough data and time coverage are two important factors in understanding a phenomenon and proper evaluation of its behavior. Conclusion As results of artificial neural networks indicate, MLP generally has lower RMSE values. Therefore, it gives a more accurate estimation of TEC, compared to other artificial neural networks. Also compared to artificial neural networks, a combination of artificial neural networks and wavelet shows better results. The best condition of all three methods shows that compared to other methods, temperature variations give us a better estimation of TEC in ionosphere.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله سیده سمیرا جعفری پور |
کارشناس ارشد ژئودزی، گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، دانشگاه تبریز

نازیلا محمدی |
استادیار گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، دانشگاه -دانشگاه تبریز- تبریز- ایران

نشانی اینترنتی http://www.sepehr.org/article_36616_00a6c9985ab6769e5cea50e042451004.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/589/article-589-2063623.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات