Journal of Geomatics Science and Technology

fa مدل سازی سری‌های زمانی تغییرات محتوای الکترون کلی یونسفر با بکارگیری روش عددی سیستم استنتاج عصبی-فازی سازگار مطالعه خاص: ایستگاه دائمی GPS تهران Evaluation of the Efficiency of the Adaptive Neuro Fuzzy Inference System (ANFIS) in the Modeling of the Ionosphere Total Electron Content Time Series Case Study: Tehran Permanent GPS Station ژئودزی و هیدروگرافی Geo&Hydro پژوهشي Research <div style="text-align: justify;">به دلیل خاصیت پاشندگی لایه یونسفر و اثر مخرب آن برروی امواج عبوری، مدل‌سازی و پیش‌بینی رفتار این لایه از جو یکی از کاربردی‌ترین موضوعات مورد بحث در ژئودزی و مطالعات فضایی است. پارامتری که با استفاده از آن خصوصیات فیزیکی لایه یونسفر مورد مطالعه و بررسی قرار می‌گیرد، مقدار محتوای الکترون کلی (TEC) نامیده می‌شود. جهت مدل‌سازی پارامتر TEC روش‌های زیادی ارائه شده است که نیازمند عملیات محاسباتی زیاد بوده و در برخی مواقع از دقت کافی برای مدل‌سازی یونسفر برخوردار نیستند. در این مقاله از سیستم استنتاج عصبی-فازی سازگار (ANFIS) جهت پیش‌بینی تغییرات زمانی پارامتر TEC برای یک روز آینده استفاده شده است. یک سیستم استنتاج عصبی-فازی سازگار نوعی <a href="https://fa.wikipedia.org/wiki/%D8%B4%D8%A8%DA%A9%D9%87_%D8%B9%D8%B5%D8%A8%DB%8C_%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C" title="شبکه عصبی مصنوعی">شبکه عصبی مصنوعی</a> (ANN) است که براساس سیستم فازی تاکاگی-سوگنو (Takagi–Sugeno)  می‌باشد. از آنجایی که این سیستم، <a href="https://fa.wikipedia.org/wiki/%D8%B4%D8%A8%DA%A9%D9%87_%D9%87%D8%A7%DB%8C_%D8%B9%D8%B5%D8%A8%DB%8C" title="شبکه های عصبی">شبکه‌های عصبی</a> و مفاهیم <a href="https://fa.wikipedia.org/wiki/%D9%85%D9%86%D8%B7%D9%82_%D9%81%D8%A7%D8%B2%DB%8C" title="منطق فازی">منطق فازی</a> را یکی می‌کند، می‌تواند از امکانات هر دو آنها در یک قاب بهره‌مند گردد. سیستم سازگار آن مطابق با مجموعه قوانین فازی اگر-آنگاه است که قابلیت یادگیری برای تقریب زدن توابع غیرخطی را دارا می‌باشد. در این مقاله مشاهدات ایستگاه دائمی GPS تهران با موقعیت ( ) در سه ماه (می، آوریل و دسامبر) مختلف  از سال‌های (2015و2011) جهت آموزش شبکه ANFIS مورد استفاده قرار گرفته و پیش‌بینی برای روزهای (30 ،3 و6) در ماه‌های (می، دسامبر و آوریل) انجام گرفته است. این مشاهدات بگونه‌ای انتخاب شده است تا فعالیت‌های خورشیدی زیاد، متوسط و کم را شامل باشد. برای تعیین تاخیرهای زمانی بهینه جهت آموزش شبکه ANFIS طراحی شده از الگوریتم ژنتیک بهره گرفته شده است. جهت ارزیابی نتایج حاصل از سیستم استنتاج عصبی-فازی سازگار، مقادیر TEC حاصل از این سیستم با مقادیر TEC حاصل از شبکه عصبی مصنوعی (ANN) با الگوریتم آموزش لونبرگ-مارکوآرت، TEC حاصل از سیستم تعیین موقعیت جهانی GPS و همچنین TEC حاصل از مدل مرجع جهانی یونسفر IRI 2016 مورد مقایسه قرار گرفته است. میزان کمیت جذر خطای مربعی میانگین (RMSE) برای اختلاف بین مقادیر TEC پیش‌بینی شده توسط شبکه ANFIS و TEC حاصل از مشاهدات GPS در بیشترین حالت 6/4 TECU و در کمترین حالت 1/2 TECU بدست آمده است. مقدار RMSE برای شبکه عصبی مصنوعی در مقایسه با GPS در بیشترین و کمترین حالت بترتیب برابر با 06/5 و 6/2 TECU محاسبه شده است. در مدل مرجع جهانی یونسفر IRI2016 بیشترین و کمترین مقدار RMSE بترتیب برابر با 8/5 و 3/4 TECU تعیین شده است.  نتایج حاصل نمایش‌دهنده قابلیت بالای شبکه ANFIS در مدل‌سازی سری زمانی یونسفر را دارد.  </div> <div style="text-align: justify;">Global positioning system (GPS) measurements provide accurate and continuous 3-dimensional position, velocity and time data anywhere on or above the surface of the earth, anytime, and in all weather conditions. However, the predominant ranging error source for GPS signals is an ionospheric error. The ionosphere is the region of the atmosphere from about 60 km to more than 1500 km above the earth surface. The ionospheric delay is the main error source for GPS. The delay can vary from a few meters to tens of meters depending on the solar cycle, hour of day, season, geographic location and satellite elevation angle. Knowledge of the ionospheric electron density is essential for a wide range of applications, e.g., radio and telecommunications, satellite tracking, and earth observation from space. In order to understand the nature of those causes and to analyze ionospheric structure, it is necessary to monitor the variations on the electron density of the ionosphere both spatially and dynamically. Because of the dispersion of the ionospheric layer and its destructive effect on passing waves, modeling and predicting the behavior of this layer of the atmosphere is one of the most useful topics in geodesy and space studies. The parameter used to study the physical properties of the ionosphere is called the Total Electron Content (TEC). For modeling the TEC, many methods have been proposed that require large computational operations and sometimes lack sufficient precision for ionospheric modeling. In this paper, the adaptive neuro-fuzzy inference system (ANFIS) is used to predict TEC variations for the next day. An adaptive neuro-fuzzy inference system or adaptive network-based fuzzy inference system is a kind of artificial neural network that is based on Takagi–Sugeno fuzzy inference system. The technique was developed in the early 1990s. Since it integrates both neural networks and fuzzy logic principles, it has potential to capture the benefits of both in a single framework. Its inference system corresponds to a set of fuzzy IF–THEN rules that have learning capability to approximate nonlinear functions. Hence, ANFIS is considered a universal estimator. In order to do this, observations of Tehran's permanent GPS station were used for three different months (May, April and December) for years (2015 and 2011) to train the Anfis network, and predictions is made for days (30, 3, and 6) in the months of May , December and April. These observations have been selected to include high, medium, and low solar activity. The genetic algorithm has been designed to determine the optimal time lag for training the Anfis network. Also, to evaluate the results of the adaptive neuro-fuzzy inference system, the TEC values obtained from this system has been compared with artificial neural network (ANN) values with the Levenberg-Marquardt training algorithm, TEC derived from the GPS, and finally with the international reference ionosphere (IRI2016) TEC. The maximum RMSE for the difference between the predicted TEC and the observed TEC is 4.6 TECU for the Anfis, 5.06 TECU for the ANN and 5.8 TECU for the IRI 2016. Also, the minimum RMSE is computed 2.1 TECU for the Anfis, 2.6 TECU for the ANN and 4.3 TECU for the IRI 2016. The results demonstrate the high capability of the ANFIS network in the ionospheric time series modeling. For modeling the TEC, many methods have been proposed that require large computational operations and sometimes lack sufficient precision for ionospheric modeling. In this paper, the adaptive neuro-fuzzy inference system (ANFIS) is used to predict TEC variations for the next day. An adaptive neuro-fuzzy inference system or adaptive network-based fuzzy inference system is a kind of <a href="https://en.wikipedia.org/wiki/Artificial_neural_network" title="Artificial neural network">artificial neural network</a> that is based on Takagi–Sugeno fuzzy <a href="https://en.wikipedia.org/wiki/Inference_system" title="Inference system">inference system</a>. The technique was developed in the early 1990s. Since it integrates both neural networks and <a href="https://en.wikipedia.org/wiki/Fuzzy_logic" title="Fuzzy logic">fuzzy logic</a> principles, it has potential to capture the benefits of both in a single <a href="https://en.wiktionary.org/wiki/framework" title="wikt:framework">framework</a>. Its inference system corresponds to a set of fuzzy <a href="https://en.wikipedia.org/wiki/Conditional_(programming)" title="Conditional (programming)">IF–THEN rules</a> that have learning capability to approximate nonlinear functions. Hence, ANFIS is considered a universal estimator. In order to do this, observations of Tehran's permanent GPS station ( ) were used for three different months (May, April and December) for years (2015 and 2011) to train the Anfis network, and predictions is made for days (30, 3, and 6) in the months of May , December and April. These observations have been selected to include high, medium, and low solar activity. The genetic algorithm has been designed to determine the optimal time lag for training the Anfis network. Also, to evaluate the results of the adaptive neuro-fuzzy inference system, the TEC values obtained from this system has been compared with artificial neural network (ANN) values with the Levenberg-Marquardt training algorithm, TEC derived from the GPS, and finally with the international reference ionosphere (IRI2016) TEC. The maximum RMSE for the difference between the predicted TEC and the observed TEC is 4.6 TECU for the Anfis, 5.06 TECU for the ANN and 5.8 TECU for the IRI 2016. Also, the minimum RMSE is computed 2.1 TECU for the Anfis, 2.6 TECU for the ANN and 4.3 TECU for the IRI 2016. The results demonstrate the high capability of the ANFIS network in the ionospheric time series modeling.  </div> یونوسفر, TEC, منطق فازی, GPS, شبکه عصبی, ANFIS Ionosphere, TEC, Fuzzy Logic, GPS, Neural Network, ANFIS 109 119 http://jgst.issgeac.ir/browse.php?a_code=A-10-176-7&slc_lang=fa&sid=1 R. Feizi رسول فیضی rasoul.feizi72@email.kntu.ac.ir 10031947532846007643 10031947532846007643 No بدون سازمان B. Voosoghi بهزاد وثوقی vosoghi@kntu.ac.ir 10031947532846007644 10031947532846007644 No بدون سازمان M. R. Ghaffari Razin میر رضا غفاری رزین mirreza_ghaffari@yahoo.com 10031947532846007645 10031947532846007645 Yes بدون سازمان