Journal of Geomatics Science and Technology

fa داده‌ گواری منطق ه‌ای مدل یونسفر مرجع بین‌ المللی با استفاده از مشاهدات سیستم تعیین موقعیت جهانی Regional Assimilation of International Reference Ionosphere Model using GPS Observations ژئودزی و هیدروگرافی Geo&Hydro پژوهشي Research مدلسازی لایه یونسفر جو و تعیین پارامتر محتوای الکترونی کلی (TEC) آن نقش مهمی در شناخت این لایه و کنترل اثرات آن بر  فعالیتهای بشری دارد. در این راستا انواع مدل&rlm;ها و مشاهدات یونسفری به طور گسترده جهت پایش تغییرات یونسفر مورد استفاده قرار می&rlm;گیرد که مدل&rlm;سازی تک لایه یونسفر یا همان مدل&rlm;سازی TEC همواره مورد توجه محققین این حوزه می&rlm;باشد. پیچیدگی&rlm;های مدل&rlm;های نظری، عدم تامین دقت مورد نیاز در کاربردهای دقیق توسط خروجیهای مدل&rlm;های تجربی، تاخیر 24 ساعته در انتشار نقشه&rlm;های یونسفری جهانی IGS و نیاز به اطلاعات دقیق یونسفری در کاربردهای آنی و نزدیک به آنی، سبب گسترش نوع جدیدی از مدل&rlm;های یونسفری موسوم به مدل&rlm;های حاصل از داده&rlm;گواری گردیده است. در این مقاله داده&rlm;گواری مدل تجربی یونسفر مرجع بین&rlm;المللی (IRI) با استفاده از مقادیر دقیق TEC محاسبه شده از مشاهدات گیرنده‌های دو فرکانسه GPS در منطقه ایران در دو مرحله آنالیز و پیشبینی انجام شده است که هدف از آن افزایش دقت TEC حاصل از مدل تجربی IRI در مرحله آنالیز با استفاده از فیلتر کالمن و انجام پیش&rlm;بینیهای کوتاه مدت TEC با استفاده از فیلتر کالمن گاوس-مارکوف (GM-KF) در مرحله پیشبینی، برای کاربردهای نزدیک به آنی می&rlm;باشد. در این راستا، مشاهدات 40 ایستگاه شبکه دائم GPS ایران (IPGN) در روز سوم ماه می سال 2016 جهت محاسبه مقادیر TEC دقیق مورد نیاز در فرآیند داده&rlm;گواری مدل IRI استفاده شده است. بررسی اختلاف بین مقادیر TEC حاصل از مدل IRI و مقادیر TEC حاصل از داده&rlm;گواری مدل IRI با مقادیر TEC دقیق، نشاندهنده کاهش ریشه میانگین مربعات (RMS) این اختلافات در مرحله به&rlm;روزرسانی دادهگواری در ساعت t=10 UT از 9.8 TECU به 1.47 TECU، در ساعت t=14 UT از 3.16 TECU به 0.98 TECU و در ساعت t=18 UT از 4.59 TECU به 1.39 TECU می&rlm;باشد. همچنین مقایسه نتایج حاصل از داده&rlm;گواری و مقادیر حاصل از نقشه&rlm;های یونسفری جهانی در منطقه ایران با مقادیر TEC دقیق نیز بیانگر دقت بالاتر نتایج حاصل از دادهگواری نسبت به نقشه&rlm;های یونسفری جهانی میباشد. در مرحله پیش&rlm;بینی در ساعت t=10 UT و فواصل زمانی Dt=0.5,1 h، بهبود 90 درصدی در مقادیر داده&rlm;گواری نسبت به مقادیر مدل IRI  مشاهده می&rlm;شود. که این بهبود در ساعتt=14,18 UT  و در فواصل زمانی Dt=0.5,1,2 به بیش از 50 درصد می&rlm;رسد. با افزایش فاصله زمانی پیش&rlm;بینی بهDt=5 h ، دقت داده&rlm;گواری به سمت دقت مدل زمینه میل می&rlm;کند. در نتیجه مدل داده&rlm;گواری شده دارای دقت خوبی در کاربردهای آنی و نزدیک به آنی می&rlm;باشد.  The ionosphere layer of atmosphere environment is a highly variable media that performs significant weather variations with altitude, latitude, longitude, universal time, solar cycle, season, and geomagnetic activity. Therefore, ionosphere modeling and determining the total electron content (TEC) play an important role to know this layer of atmosphere specifications and control its effects on human activities. Different kinds of ionospheric models are widely used to monitor the changes in ionosphere in which single layer model (SLM) of ionosphere or TEC model has been always interesting for researchers. Complications of physical models for major of users, low accuracy of numerical (empirical) models for precise applications, the 24 hour delay in IGS daily global ionospheric map (GIM) propagation and the precise ionospheric information necessity in real-time and near real-time applications have been the reasons of development of new ionospheric models which is known as data assimilation models. These models combine measurements from observing system with the information obtained from background model trough the data assimilation technique. Assimilation algorithm involves a forecast step, in which a previous estimate of the state is evolved forward to the time of the observation, and an update or analysis step, where the evolved estimate of the state is updated using information from the observations. The outputs of assimilated models have parameters closer to the observations. The accuracy of the reconstructed ionosphere depends on the amount of assimilated data, the diversity of the data types and the quality of the data. Assimilated data may have different sources such as GPS slant TEC, in situ electron densities, electron density profiles (EDPs) from ground-based radars and ionosonde data in ionosphere data assimilation. In this study, precise TEC derived from dual frequency GPS observations are assimilated in to an international reference ionosphere (IRI) numerical model in analysis and forecast steps of assimilation. Kalman filter is used to increase the accuracy of IRI extracted TEC in analysis step and Gauss-Marcov Kalman filter (GM-KF) is used to predict TEC in forecast step for real-time and near real-time applications. Observations of 40 stations of Iranian permanent GPS Network (IPGN) in May 03, 2016 are used to extract precise VTEC for assimilation in IRI model. The GPS observed VTEC are compared with TEC form IRI model, TEC from IGS GIM and assimilated IRI TEC in analysis step of assimilation. The rote mean square (RMS) of discrepancy between GPS VTEC and IRI TEC are reduced from 9.8 TECU to 1.47 TECU at t=10UT, from 3.16 TECU to 0.98 TECU at t=14 UT and from 4.59 TECU to 1.39 TECU at t=18UT, after assimilation. Comparing the IGS GIM and assimilated IRI TEC with GPS observed VTEC indicate that the assimilated model is more accurate than GIM in Iran region. The GPS observed VTEC are also compared with TEC form IRI model, TEC from IGS GIM and assimilated IRI TEC in prediction step of assimilation. This comparison shows 90% improvement in assimilated TEC respect to IRI TEC at t=10 UT for Dt=0.5, 1 hour prediction time intervals. This improvement at t=14, 18 UT is more than 50% for Dt=0.5, 1, 2 hour prediction time intervals. By increasing the prediction time interval to Dt=5 hour, the assimilation accuracy tends to IRI model. Therefore the assimilated model has a good accuracy for real-time and near real-time applications. داده‌ گواری, مدل تجربی یونسفر مرجع بین‌ المللی, سیستم تعیین موقعیت جهانی, فیلتر کالمن گاوس- مارکوف Data Assimilation, IRI, GPS, Gauss-Markov Kalman Filter 161 172 http://jgst.issgeac.ir/browse.php?a_code=A-10-53-2&slc_lang=fa&sid=1 A. Habibpanah اعظم حبیب پناه a.habibpanah@yahoo.com 10031947532846005238 10031947532846005238 No K.N.Toosi University of Technology, Tehran, Iran دانشگاه صنعتی خواجه‌ نصیرالدین‌ طوسی Y. Amerian یزدان عامریان amerian@kntu.ac.ir 10031947532846005239 10031947532846005239 Yes K.N.Toosi University of Technology, Tehran, Iran دانشگاه صنعتی خواجه‌ نصیرالدین‌ طوسی