ارزيابي تأثير پارامترهاي خورشيدي و ژئومغناطيسي در مدل‌سازي زماني - مكاني محتواي الكترون كلي (TEC) يونسفر با استفاده از مدل‌هاي يادگيري ماشين

در اين مقاله مقدار محتواي الكترون كلي (TEC) يونسفر  با مدل‌هاي يادگيري ماشين (ML)، به‌صورت مكاني-زماني، مدل‌سازي شده و مورد ارزيابي و مقايسه قرار مي‌گيرد. روش‌هاي رگرسيون بردار پشتيبان (SVR) و شبكه عصبي مصنوعي (ANN) جهت مدل‌سازي محلي TEC استفاده مي‌شوند. نوآوري اصلي اين مقاله در ارزيابي تأثير پارامترهاي فيزيكي مختلف (KP، AP، DST و F10.7) در دقت خروجي مدل‌هاي يادگيري ماشين است. نتايج به‌دست‌آمده از دو مدل جديد با نتايج مدل جهاني يونسفري (GIM)، مدل‌هاي تجربي IRI2016 و NeQuick در دو ايستگاه كنترل داخلي و يك ايستگاه كنترل خارجي مورد مقايسه قرار گرفته‌اند. شاخص‌هاي آماري جذر خطاي مربعي ميانگين (RMSE)، خطاي نسبي،  dVTEC=|VTECGPS-VECmodel|و ضريب همبستگي براي ارزيابي خطاي مدل‌ها، به‌كار گرفته شده است. ارزيابي تأثير پارامترهاي ژئومغناطيسي و خورشيدي در خروجي مدل‌هاي SVR و ANN نسبت به پارامترهاي ورودي انجام و اهميت هركدام از پارامترهاي فيزيكي در مدل‌سازي مكاني-زماني يونسفر مورد بررسي قرار گرفته است. ميانگين RMSE محاسبه شده در دو ايستگاه كنترل داخلي براي مدل‌هاي SVR، ANN، GIM، IRI2016 و NeQuick به ترتيب برابر با 1.04، 3.91، 0.3.2، 6.90 و 7.65 TECU شده است. همچنين ميانگين ضريب همبستگي مدل‌ها در دو ايستگاه كنترل داخلي به ترتيب برابر با 0.97، 0.72، 0.84، 0.68 و 0.60 محاسبه شده است. نتايج به‌دست‌آمده از اين مقاله نشان مي‌دهد كه در هر دو حالت فعاليت‌هاي ژئومغناطيسي و خورشيدي بالا و پايين، مدل SVR در ايستگاه‌هاي كنترل داخلي از دقت و صحت بالاتري نسبت به ساير مدل‌ها برخوردار است.