پيش‌بيني كوتاه‌مدت حركت قطبي با استفاده از شبكه‌هاي عصبي ژرف

امروزه با توجه به نياز روز افزون پيش‌بيني‌ پارامترهاي حركت قطبي از روش‌هاي مختلفي استفاده مي‌شود. وجود مجموعه داده‌هاي بلند مدت پارامترهاي x و y حركت قطبي سبب بوجود آمدن منبع ارزشمندي براي پيش‌بيني اين پديده‌ي ژئوفيزيكي است. در اين پژوهش از داده‌هاي بلند مدت حركت قطبي براي پيش‌بيني دوره‌هاي 40 روزه به مدت 5 سال استفاده شده است. براي انجام پيش‌بيني‌ها از شبكه‌هاي عصبي كانولوشني، شبكه حافظه طولاني كوتاه مدت، شبكه پرسپترون چندلايه و روش آناليز هارمونيك كمترين مربعات استفاده شده است. در ادامه نتايج شبكه‌هاي عصبي با يكديگر و روش آناليز هارمونيك كمترين مربعات مقايسه گرديده است. در پايان مشخص شد كه شبكه‌هاي حافظه طولاني كوتاه مدت در بيشتر روزها از شبكه‌هاي كانولوشني و پرسپترون چندلايه نتايج بهتري دارند. همچنين مشخص شد كه اين روش‌ها دقت پيش‌بيني بسيار بهتري نسبت به روش آناليز هارمونيك كمترين مربعات دارند. براي شبكه‌هاي ژرف براي پارامتر x بهترين مقادير RMSE براي روز‌هاي اول و چهلم به ترتيب 0.49 و 15.05 ميلي ثانيه كماني است و براي پارامتر y بهترين مقادير RMSE براي روز‌هاي اول و چهلم به ترتيب 0.68، 9.22 ميلي ثانيه كماني است. در روش آناليز هارمونيك كمترين مربعات مقدار RMSE براي پارامتر x براي روزهاي اول و چهلم به ترتيب برابر با 40.95 و 48.40 ميلي ثانيه‌ي كماني است و مقدار RMSE پارامتر y براي روزهاي اول و چهلم به ترتيب برابر با 40.86 و 46.53 ميلي ثانيه‌ي كماني است.