ارزيابي كارائي مدل شبكه عصبي حافظه‌ كوتاه ‌مدت طولاني در پيش‌بيني سري زماني يونوسفر و مقايسه آن با مدل‌هاي GRNN، GIM و NeQuick

در اين مقاله ايده استفاده از مدل شبكه عصبي حافظه كوتاه مدت طولاني (LSTM) به منظور مدل‌سازي و پيش‌بيني سري زماني يونوسفر در دوره فعاليت‌هاي شديد خورشيدي به عنوان يك روش جديد ارائه شده است. با استفاده از مدل جديد مقدار محتواي الكترون كلي (TEC) مدل‌سازي شده و سپس تغييرات زماني آن در دوره فعاليت‌هاي شديد خورشيدي و ژئومغناطيسي (سال 2017) پيش‌بيني مي‌شود. براي بررسي كارائي روش مورد اشاره، از مشاهدات ايستگاه GPS تهران (N35/69 ، E51/33) كه يكي از ايستگاه‌هاي شبكه جهاني IGS مي‌باشد، استفاده شده است. مشاهدات سال‌هاي 2007 الي 2016 براي آموزش مدل مورد نظر به كار گرفته شده و سپس با مدل آموزش ديده، سري زماني TEC در سال 2017 پيش‌بيني مي‌شود. نتايج حاصل از مدل جديد با نتايج حاصل از مدل شبكه عصبي رگرسيون عمومي (GRNN)، مدل تجربي NeQuick و خروجي شبكه جهاني IGS (GIM-TEC) مقايسه شده است. همچنين از شاخص‌هاي آماري ضريب همبستگي، خطاي نسبي و جذر خطاي مربعي ميانگين (RMSE) به منظور بررسي دقت و صحت مدل‌ها استفاده مي‌شود. مقدار RMSE به دست آمده براي مدل‌هاي LSTM، GRNN، GIM و NeQuick در مرحله تست سال 2017 به ترتيب برابر با 2/87، 4/51، 4/14 و 6/38 TECU مي‌باشد. آناليز مؤلفه‌هاي مختصاتي ايستگاه تهران با روش تعيين موقعيت نقطه‌اي دقيق (PPP) نشان مي‌دهد كه با استفاده از مدل جديد، بهبودي در حدود 5/19 الي 56/23 ميليمتر در مختصات ايستگاه نسبت به ساير مدل‌ها ديده مي‌شود. نتايج حاصل از اين تحقيق نشان مي‌دهد كه دقت و صحت مدل LSTM براي پيش‌بيني مقدار TEC در دوره فعاليت‌هاي شديد خورشيدي و ژئومغناطيسي، در مقايسه با مدل‌هاي GRNN، NeQuick و GIM بيشتر است.