فهرست نشریات علمی دسترسی آزاد ایران

در این مقاله مقدار محتوای الکترون کلی (TEC) یونسفر  با مدل‌های یادگیری ماشین (ML)، به‌صورت مکانی-زمانی، مدل‌سازی شده و مورد ارزیابی و مقایسه قرار می‌گیرد. روش‌های رگرسیون بردار پشتیبان (SVR) و شبکه عصبی مصنوعی (ANN) جهت مدل‌سازی محلی TEC استفاده می‌شوند. نوآوری اصلی این مقاله در ارزیابی تأثیر پارامترهای فیزیکی مختلف (KP، AP، DST و F10.7) در دقت خروجی مدل‌های یادگیری ماشین است. نتایج به‌دست‌آمده از دو مدل جدید با نتایج مدل جهانی یونسفری (GIM)، مدل‌های تجربی IRI2016 و NeQuick در دو ایستگاه کنترل داخلی و یک ایستگاه کنترل خارجی مورد مقایسه قرار گرفته‌اند. شاخص‌های آماری جذر خطای مربعی میانگین (RMSE)، خطای نسبی،  dVTEC=|VTECGPS-VECmodel|و ضریب همبستگی برای ارزیابی خطای مدل‌ها، به‌کار گرفته شده است. ارزیابی تأثیر پارامترهای ژئومغناطیسی و خورشیدی در خروجی مدل‌های SVR و ANN نسبت به پارامترهای ورودی انجام و اهمیت هرکدام از پارامترهای فیزیکی در مدل‌سازی مکانی-زمانی یونسفر مورد بررسی قرار گرفته است. میانگین RMSE محاسبه شده در دو ایستگاه کنترل داخلی برای مدل‌های SVR، ANN، GIM، IRI2016 و NeQuick به ترتیب برابر با 04/1، 91/3، 0.2/3، 90/6 و 65/7 TECU شده است. همچنین میانگین ضریب همبستگی مدل‌ها در دو ایستگاه کنترل داخلی به ترتیب برابر با 97/0، 72/0، 84/0، 68/0 و 60/0 محاسبه شده است. نتایج به‌دست‌آمده از این مقاله نشان می‌دهد که در هر دو حالت فعالیت‌های ژئومغناطیسی و خورشیدی بالا و پایین، مدل SVR در ایستگاه‌های کنترل داخلی از دقت و صحت بالاتری نسبت به سایر مدل‌ها برخوردار است.