Journal of Geospatial Information Technology

fa ترکیب روش‌های یادگیری عمیق برای پیش‌بینی درخشش‌های یونسفری با استفاده از شبکه ایستگاه های دائمی GNSS در آمریکای جنوبی Prediction of Ionospheric Scintillation with a Combination of Deep Learning Algorithms Using GNSS Ground-Based Network across South America ژئودزی (عمومی) Geodesy پژوهشي Research <h1 dir="RTL" style="text-align:justify; margin-top:8px; margin-bottom:4px">اغتشاشات پلاسمای یونسفری که اغلب ناشی از فعالیت‌های خورشیدی و میدان‌های مغناطیسی بین سیاره‌ای هستند، سبب ایجاد تغییراتی نامنظم در چگالی الکترونی یونسفر شده که منجر به رخداد درخشش‌های یونسفری می‌شوند. درخشش‌های یونسفری باعث بروز نوسانات شدید در شدت و فاز سیگنال‌های رادیویی شده که می‌توانند بر دقت سیستم‌های ناوبری ماهواره‌ای تأثیر بگذارند. این پدیده به‌صورت نامنظم رخ می‌دهد و درصد رخداد این پدیده در محدوده‌هایی با عرض جغرافیایی پایین و در نزدیکی آنامولی استوایی، به نسبت بالاتر از مناطق با عرض متوسط و بالا است. در این پژوهش از ترکیبی از روش‌های شبکه‌های یادگیری عمیق و استفاده از روش تابع زیان هوبر با دخالت دادن وزن‌ مشاهدات، برای پیش‌بینی مکانی-زمانی درخشش‌های یونسفری به صورت نزدیک به آنی استفاده شده است. در این پژوهش از روش ConvGRU که حاصل از ترکیب یک شبکه واحد بازگشتی دروازه‌ای (GRU) با یک مدل کانولوشن، به‌عنوان یک روش پیش‌بینی مکانی-زمانی برای مجموعه داده‌های درخشش یونسفری استفاده شده است. برای این منظور، از داده‌های مشاهداتی 121 ایستگاه زمینی GNSS، در محدوده عرض جغرافیایی 15 درجه شمالی تا 55 درجه جنوبی و محدوده طول جغرافیایی 270 درجه تا 330 درجه شرقی در محدوده‌ آنامولی استوایی و در سراسر آمریکای جنوبی، برای ماه‌های ژانویه، مارس و جولای سال‌های 2015 (سالی با فعالیت خورشیدی بالا) و 2020 (سالی با فعالیت خورشیدی پایین) استفاده شده است. این انتخاب، ارزیابی دقت مدل پیشنهادی را در طیفی متنوع از سناریوهای ژئومغناطیسی به نمایش می‌گذارد. مدل طراحی شده توانایی پیش‌بینی درخشش‌های یونسفری را با متوسط دقت حدوداً 75% برای سال 2015 و 80% برای سال 2020 را به‌صورت منطقه‌ای دارد. این مطالعه نشان می‌دهد که با استفاده از تکنیک‌های پیشرفته یادگیری ماشین، می‌توان اغتشاشات یونسفری را با دقت بالا پیش‌بینی کرد که می‌تواند برای یک سیستم هشدار نزدیک به آنی برای کاربران سیستم‌های ناوبری جهت بهبود دقت مشاهدات مناسب باشد.</h1> Ionospheric plasma disturbances, often caused by solar activity and interplanetary magnetic fields, lead to irregular variations in the electron density of the ionosphere, which result in ionospheric scintillations. The Ionospheric scintillations cause significant fluctuations in the intensity and phase of radio signals that can potentially impact the accuracy of the satellite-based navigation systems. This phenomenon occurs irregularly, and its occurrence rate at low latitudes and near the equatorial anomaly is higher than mid and high latitudes. This study employs a combination of the deep learning network methods and the Huber loss function with observation weighting to predict the spatiotemporal behavior of the ionospheric scintillations in near-real-time. Specifically, the ConvGRU method, which combines a GRU network with a convolutional model, is used for spatiotemporal prediction of the ionospheric scintillation datasets. The data obtained from 121 ground-based GNSS stations, within the latitude range of 15°N to 55°S and longitude range of 270°E to 330°E across the equatorial anomaly region in South America in January, March, and July of the years 2015 (a year of high solar activity) and 2020 (a year of low solar activity) have been utilized. This selection demonstrates the accuracy of the proposed model across a diverse spectrum of geomagnetic scenarios. The designed model achieves regional prediction accuracy of approximately 75% for 2015 and 80% for 2020. This study illustrates that the advanced machine learning techniques can accurately predict the ionospheric scintillations, which can be used near-real-time warning systems to enhance the precision of the observations  for the navigation system users.   سیستم تعیین موقعیت جهانی (GNSS), اغتشاشات یونسفری, یادگیری عمیق, واحد بازگشتی مبتنی بر کانولوشن, تابع زیان هوبر, درخشش یونسفری دامنه (S4) Global Navigation Satellite System (GNSS), Ionospheric Irregularities, Deep Learning Algorithms, Convolutional Gated Recurrent Unit (ConvGRU), Huber Loss Function, Amplitude Ionospheric Scintillation (S4) 47 75 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-717-3&slc_lang=fa&sid=1 Alireza Atabati علیرضا عتباتی Atabati@email.kntu.ac.ir 100319475328460010488 100319475328460010488 No K. N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Iraj Jazireeyan ایرج جزیرئیان jazirian@kntu.ac.ir 100319475328460010489 100319475328460010489 Yes K. N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Mohammad Mahdi Alizadeh Elizeie محمد مهدی علیزاده الیزئی alizadeh@kntu.ac.ir 100319475328460010490 100319475328460010490 No K. N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی