امروزه با توجه به نیاز روز افزون پیشبینی پارامترهای حرکت قطبی از روشهای مختلفی استفاده میشود. وجود مجموعه دادههای بلند مدت پارامترهای x و y حرکت قطبی سبب بوجود آمدن منبع ارزشمندی برای پیشبینی این پدیدهی ژئوفیزیکی است. در این پژوهش از دادههای بلند مدت حرکت قطبی برای پیشبینی دورههای 40 روزه به مدت 5 سال استفاده شده است. برای انجام پیشبینیها از شبکههای عصبی کانولوشنی، شبکه حافظه طولانی کوتاه مدت،شبکه پرسپترون چندلایه و روش آنالیز هارمونیک کمترین مربعات استفاده شده است. در ادامه نتایج شبکههای عصبی با یکدیگر و روش آنالیز هارمونیک کمترین مربعات مقایسه گردیده است. در پایان مشخص شد که شبکههای حافظه طولانی کوتاه مدت در بیشتر روزها از شبکههای کانولوشنی و پرسپترون چندلایه نتایج بهتری دارند. همچنین مشخص شد که این روشها دقت پیشبینی بسیار بهتری نسبت به روش آنالیز هارمونیک کمترین مربعات دارند. برای شبکههای ژرف برای پارامتر x بهترین مقادیر RMSE برای روزهای اول و چهلم به ترتیب 49/0 و05/15 میلی ثانیه کمانی است و برای پارامتر y بهترین مقادیر RMSE برای روزهای اول و چهلم به ترتیب 68/0، 22/9 میلی ثانیهکمانیاست. در روش آنالیز هارمونیک کمترین مربعات مقدار RMSE برای پارامتر x برای روزهای اول و چهلم به ترتیب برابر با 95/40 و 40/48 میلی ثانیهی کمانی است و مقدار RMSE پارامتر y برای روزهای اول و چهلم به ترتیب برابر با 86/40 و 53/46 میلی ثانیهی کمانی است.
Sharifi M A, Shahriarinia K, Shirafkan S, Khazraei S M, Amiri Simkooei A R. Short-term Prediction of Polar Motion Parameters Using Deep Neural Networks. JGST 2022; 11 (4) : 4 URL: http://jgst.issgeac.ir/article-1-1068-fa.html
شریفی محمدعلی، شهریاری نیا کوروش، شیرافکن شایان، خضرائی سید محسن، امیری سیمکوئی علیرضا. پیشبینی کوتاهمدت حرکت قطبی با استفاده از شبکههای عصبی ژرف. علوم و فنون نقشه برداری. 1401; 11 (4) :39-53