Journal of Geomatics Science and Technology

fa پیش‌بینی کوتاه‌مدت سری زمانی تغییرات طول روز با روش SSA+ARMA Short-term Prediction of the LOD Time-series using a Combined SSA+ARMA Method ژئودزی و هیدروگرافی Geo&Hydro پژوهشي Research <div style="text-align: justify;">پارامترهای دوران زمین نقش بسیار مهمی در مسائل مربوط به ژئودزی فضایی مانند تعیین دقیق مدار ماهواره‌ها، نجوم ژئودزی، ناوبری فضایی و همچنین مطالعه‌ی پدیده‌های ژئوفیزیکی دارند. سری‌های زمانی این پارامترها دارای رفتارهای تناوبی و تصادفی می‌باشند لذا روش‌های متنوع آنالیز سری‌های زمانی با دقت‌های متفاوت از گذشته تاکنون مورد بررسی قرار گرفته است. یکی از مهم‌ترین نیازهای پیش‌بینی برای این پارامترها، پیش‌بینی‌های کوتاه‌مدت آن‌هاست زیرا باتوجه به پیچیدگی‌های پردازش، به‌صورت لحظه‌ای در اختیار کاربران قرار ندارند.‌ در میان پیش‌بینی‌ سری‌های زمانی این پارامتر‌ها، پیش‌بینی مولفه‌ی LOD بشدت چالش برانگیز است زیرا عوامل مختلف ژئوفیزیکی بر روی ساختار این سری زمانی اثر می‌گذارند. در این تحقیق به پیش‌بینی‌های 10 روزه پارامتر LOD، به‌وسیله‌ی ترکیب روش غیر پارامتریک SSA و مدل پیش‌بینی ARMA پرداخته شده است. این پیش‌بینی‌ها با استفاده از سری‌های زمانی IERS 14 C04 در بین سال‌های 2010 تا 2011 میلادی صورت پذیرفته است. سری‌های زمانی مذکور در وب‌سایت IERS در دسترس‌اند.  نتایج با 8 روش دیگر مقایسه شده و مورد ارزیابی قرار گرفته است. نتایج نشان می‌دهد که روش ارائه شده، برای پیش‌بینی تمام روزها، دقت بهتری نسبت به این 8 روش دارد. میزان بهبود دقت برای روزهای 5ام و 10ام به‌ترتیب 60/1 و 84/1 برابر می‌باشد. </div> <div></div> <div style="text-align: justify;">The Earth Orientation parameters (EOP) including the Length of Day (LOD) are vital to widely used applications of Satellite Geodesy. The precise satellite positioning and navigation and the Earth system monitoring satellites are a few applications with a near real time request for the EOP values. Data gathering from a globally distributed co-located geodetic sensors and processing the collected data for estimation of the parameters are time demanding tasks which makes delayed access to a real-time processed values unavoidable. Consequently, accurate prediction of the EOP parameters time-series has been defined as a highly demanding task in geodesy. Many different techniques have already been employed either for short- or long-term prediction of the time-series. However, the implemented methods for short-term prediction of the EOP temporal changes is in central focus of the research centers and institutes due to its applications in the Earth Centered inertial (ECI) and the Earth Centered Earth Fixed (ECEF) reference frames. Moreover, combined methods with the ability of simultaneous functional and stochastic behavior modeling of the time-series are more interested due to their functionality for one-step accurate prediction. For instance, the Least squares auto regressive (LS+AR) is the most recent published article for the LOD forecasting. In this paper, we will address an innovative approach for complicated and challenging time-series prediction. The proposed methodology consists of the Singular Spectrum Analysis (SSA) combined with the Auto Regressive Moving Average (ARMA) enabling to model the functional and stochastic constituents respectively.  For more precise forecasting, the proposed method is equipped with two pre analysis statistical tests in order to detect and identify any possible outliers. Moreover, the Fast Fourier transform (FFT) is employed to give a first guess of the possible periodic pattern of the data with its later application in the SSA appropriate window length selection. The SSA setup consists of the lag-covariance matrix computation, Eigen value and Eigen vector decomposition of the lag-covariance matrix, the Eigen values clustering and the component reconstruction. Trend and offset removal before utilizing the SSA method and its restoration after performing perdition is also worth mentioning. Selection an optimal number of deterministic components plays a key role in effective implementation of the SSA approach which is fully explained in the methodology part of the paper. The stochastic behavior of LOD signal is characterized using the ARMA technique whose successful implementation is highly depend on the right selection of  the Moving Average (MA) and Auto Regressive (AR) orders. The Akaike information criterion (AIC) as an estimator of prediction error as the well-known order selection criteria is used. Moreover, the Mean Absolute Error (MAE) is computed and different prediction scenarios are compared. The suggested approach has dominantly outperformed  eight already published method. Publicly available LOD data from International Earth Reference System (IERS) is used for the method evaluation and numerical comparison. Daily LOD data for the years of 2005-2009 is used for model training while the year 2010 is taken for validation. A ten-day interval prediction during the whole year of 2011 is considered for evaluation. On average, accuracy improvement rate is about 1.6 and 1.84 for the 5th and 10th ahead day of prediction.</div> سری زمانی, روش SSA, مدل ARMA, MAE, LODR LOD, SSA, ARMA, Prediction 37 49 http://jgst.issgeac.ir/browse.php?a_code=A-10-45-2&slc_lang=fa&sid=1 M. A. Sharifi محمدعلی شریفی sharifi@ut.ac.ir 10031947532846009386 10031947532846009386 Yes University of Tehran دانشگاه تهران Sh. Shirafkan شایان شیرافکن Shayanshirafkan@ut.ac.ir 10031947532846009387 10031947532846009387 No University of Tehran دانشگاه تهران S. M. Khazraei سید محسن خضرائی S.mohsen.khazraei@gmail.com 10031947532846009388 10031947532846009388 No University of Isfahan دانشگاه اصفهان A. R. Amiri Simkooei علیرضا امیری سیمکوئی Ar.amirisimkooei@gmail.com 10031947532846009389 10031947532846009389 No University of Isfahan دانشگاه اصفهان