فهرست نشریات علمی دسترسی آزاد ایران

در این مقاله ایده استفاده از روش شبکه عصبی بازگشتی دروازه‌ای (GRU) برای مدل‌سازی مکانی-زمانی محتوای الکترون کلی یونسفر (TEC) به عنوان یک مدل جدید پیشنهاد شده است. در این نوع شبکه عصبی برخلاف شبکه‌های عصبی معمولی، مشکل محوشدگی گرادیان وجود نداشته و از لحاظ محاسبات نیز بسیار ساده و سبک است. کارایی مدل جدید با استفاده از مشاهدات 15 ایستگاه GPS در شمال‌غرب ایران ارزیابی شده و برای محاسبه دقت مدل GRU، دو ایستگاه کنترل داخلی و سه ایستگاه کنترل خارجی در نظر گرفته شده است. لازم به ذکر است که آموزش مدل GRU با استفاده از پارامترهای طول و عرض جغرافیایی ایستگاه GPS، روز از سال (DOY)، زمان (به وقت جهانی)، شاخص‌های ژئومغناطیسی AP، KP و DST و شاخص فعالیت خورشیدی (F10.7) انجام می‌شود. همچنین TEC در راستای زنیت (VTEC) مرتبط با پارامترهای ورودی به عنوان خروجی مطلوب در نظر گرفته شده است. نتایج مدل جدید با نتایج شبکه عصبی مصنوعی (ANN)، نقشه‌های جهانی یونسفر (GIM) و مدل تجربی IRI2016 مقایسه می‌شود. همچنین تأثیر TEC مدل‌سازی شده در تعیین موقعیت نقطه‌ای دقیق (PPP) مورد بررسی قرار گرفته است. در مرحله ارزیابی، مقدار میانگین RMSE مدل‌های ANN و  GRU و GIM و IRI به ترتیب برابر با 2.42، 1.76، 3.02 و 6.91 TECU به دست آمد. همچنین میانگین خطای نسبی مدل‌ها به ترتیب برابر با 12.93%، 10.75%، 16.82% و 26.56% حاصل شد. تجزیه و تحلیل روش PPP بهبود 45 میلی‌متری در مؤلفه‌های مختصات با استفاده از مدل GRU را نشان می‌دهد. نتایج به‌دست‌آمده حاکی از این است که در فعالیت‌های ژئومغناطیسی و خورشیدی بالا و پایین، مدل GRU نسبت به مدل‌های دیگر از دقت بالاتری برخوردار است.