Journal of Geomatics Science and Technology

fa توموگرافی یونوسفر بکمک روش کمینه‌سازی توابع هدف و شبکه‌های عصبی مصنوعی در منطقه ایران Ionosphere Tomography using Minimization of Objective Functions Method and Neural Networks over Iran ژئودزی و هیدروگرافی Geo&Hydro پژوهشي Research در این مقاله روش کمینه‌سازی توابع هدف با کمک شبکه‌های عصبی موجک چند لایه، جهت مدل‌سازی توموگرافی یونوسفر به عنوان یک روش جدید ارائه شده است. براساس روش توموگرافی، تابع هدفی تعریف گردیده و سپس با کمک شبکه‌های عصبی موجک چند لایه (WNN) طراحی شده، مقدار این تابع هدف به کمترین میزان خود می‌رسد. جهت بهینه‌سازی وزن‌ها و بایاس‌ها در شبکه‌های عصبی، می‌بایستی از یک الگوریتم آموزش مناسب بهره گرفت. به همین جهت در این مقاله از الگوریتم‌های آموزش پس انتشار خطا (BP) و بهینه‌سازی انبوه ذرات (PSO) استفاده شده است. سه روش ترکیبی برای کمینه‌سازی توابع هدف که جزو نوآوری‌های اصلی این مقاله است مورد بررسی و آنالیز قرار گرفته است. در روش اول (RMTNN) از شبکه عصبی مصنوعی پرسپترون 3 لایه با الگوریتم آموزش پس انتشار جهت مدل‌سازی توزیع چگالی الکترونی استفاده شده است. در روش دوم (MRMTNN) یک شبکه عصبی موجک 3 لایه بهمراه الگوریتم آموزش پس انتشار خطا جهت مدل‌سازی توزیع چگالی الکترونی بکار گرفته شده و نهایتاً در ترکیب سوم (ITNN) از شبکه عصبی موجک 3 لایه بهمراه الگوریتم آموزش بهینه‌سازی انبوه ذرات جهت مدل‌سازی تغییرات زمان-مکان چگالی الکترونی بهره گرفته شده است. مشاهدات مربوط به شبکه مبنای ژئودینامیک دائمی ایران (32 ایستگاه GPS به همراه یک ایستگاه اندازه‌گیری مستقیم یونوسفر) جهت آزمون و ارزیابی هر سه ترکیب مورد استفاده قرار گرفته‌اند. تمامی نتایج بدست آمده از سه روش با اندازه‌گیری‌های ایستگاه‌ یونوسوند و مدل هارمونیک&zwj;‌های کلاه کروی (SCH) مقایسه شده است. همچنین شاخص‌های آماری خطای نسبی و مطلق، جذر خطای مربعی میانگین (RMSE)، بایاس، انحراف معیار و ضریب همبستگی برای هر سه روش پیشنهادی این مقاله مورد محاسبه و بررسی قرار گرفته است. آنالیزهای انجام گرفته در مورد روش‌های RMTNN، MRMTNN و ITNN بیانگر این موضوع است که روش ITNN نسبت به دو روش دیگر دارای سرعت همگرایی بالا به جواب بهینه و همچنین دقت و صحت بالاست. مقایسه‌های صورت گرفته نشان‌دهنده بهبود مدل‌سازی محتوای الکترون کلی توسط روش ITNN به مقدار 5/0 الی 65/5 TECU در منطقه ایران نسبت به مدل‌های تجربی یونوسفر می‌باشد. همچنین متوسط ضریب همبستگی 901/0 مابین خروجی‌های روش ITNN و اندازه&lrm;گیری‌های ایستگاه‌های یونوسوند، حاکی از کارائی بالای روش پیشنهادی این مقاله در مدل‌سازی تغییرات زمان-مکان چگالی الکترونی است. In the last two decades, knowledge of the distribution of the ionospheric electron density considered as a major challenge for geodesy and geophysics researchers. To study the physical properties of the ionosphere, computerized ionosphere tomography (CIT) indicated an efficient and effective manner. Usually the value of total electron content (TEC) used as an input parameter to CIT. Then inversion methods used to compute electron density at any time and space. However, CIT is considered as an inverse ill-posed problem due to the lack of input observations and non-uniform distribution of TEC data. Many algorithms and methods are presented to modeling of CIT. For the first time, 2-dimensional CIT was suggested by Austin et al., (1988). They used algebraic reconstruction techniques (ART) to obtain the electron density. Since, other researchers have also studied and examined the CIT. Although the results of all studies indicates high efficiency of CIT, but two major limitations can be considered to this method: first, due to poor spatial distribution of GPS stations and limitations of signal viewing angle, CIT is an inverse ill-posed problem. Second, in most cases, observations are discontinuous in time and space domain, so it is not possible determining the density profiles at any time and space around the world.    In this paper, the method of residual minimization training neural network is proposed as a new method of ionospheric reconstruction. In this method, vertical and horizontal objective functions are minimized. Due to a poor vertical resolution of ionospheric tomography, empirical orthogonal functions (EOFs) are used as vertical objective function. To optimize the weights and biases in the neural network, a proper training algorithm is used. Training of neural networks can be considered as an optimization problem whose goal is to optimize the weights and biases to achieve a minimum training error. In this paper, back-propagation (BP) and particle swarm optimization (PSO) is used as training algorithms. 3 new methods have been investigated and analyzed in this research. In residual minimization training neural network (RMTNN), 3 layer perceptron artificial neural networks (ANN) with BP training algorithm is used to modeling of ionospheric electron density. In second method, due to the use of wavelet neural network (WNN) with BP algorithm in RMTNN method, the new method is named modified RMTNN (MRMTNN). In the third method, WNN with a PSO training algorithm is used to solve pixel-based ionospheric tomography. This new method is named ionospheric tomography based on the neural network (ITNN). The GPS measurements of the Iranian permanent GPS network (IPGN) (1 ionosonde and 4 testing stations) have been used for constructing a 3-D image of the electron density. For numerical experimentation in IPGN, observations collected at 36 GPS stations on 3 days in 2007 (2007.01.03, 2007.04.03 and 2007.07.13) are used. Also the results have been compared to that of the spherical cap harmonic (SCH) method as a local ionospheric model and ionosonde data. Relative and absolute errors, root mean square error (RMSE), bias, standard deviations and correlation coefficient computed and analyzed as a statistical indicators in 3 proposed methods. The Analyzes show that the ITNN method has a high convergence speed and high accuracy with respect to the RMTNN and MRMTNN.  The obtained results indicate the improvement of 0.5 to 5.65 TECU in IPGN with respect to the other empirical methods. The GPS measurements of the Iranian permanent GPS network (IPGN) (1 ionosonde and 4 testing stations) have been used for constructing a 3-D image of the electron density. For numerical experimentation in IPGN, observations collected at 36 GPS stations on 3 days in 2007 (2007.01.03, 2007.04.03 and 2007.07.13) are used. Also the results have been compared to that of the spherical cap harmonic (SCH) method as a local ionospheric model and ionosonde data. Relative and absolute errors, root mean square error (RMSE), bias, standard deviations and correlation coefficient computed and analyzed as a statistical indicators in 3 proposed methods. The Analyzes show that the ITNN method has a high convergence speed and high accuracy with respect to the RMTNN and MRMTNN.  The obtained results indicate the improvement of 0.5 to 5.65 TECU in IPGN with respect to the other empirical methods. توموگرافی یونوسفر, محتوای الکترون کلی, شبکه عصبی مصنوعی, تابع هدف, چگالی الکترونی, GPS, IRI-2012, RMTNN, MRMTNN, ITNN Ionospheric Tomography, Total Electron Content, Artificial Neural Network, Objective Function, GPS, IRI-2012, SCH, RMTNN, MRMTNN, ITNN 93 110 http://jgst.issgeac.ir/browse.php?a_code=A-10-176-5&slc_lang=fa&sid=1 M. R. Ghaffari Razin میر رضا غفاری رزین rghaffari@mail.kntu.ac.ir 10031947532846005308 10031947532846005308 Yes Faculty of Geodesy and Geomatics Eng., K. N. Toosi Univ. of Tech., Tehran, Iran دانشگاه صنعتی خواجه نصیرالدین طوسی دانشکده مهندسی ژئودزی و ژئوماتیک B. Voosoghi بهزاد وثوقی vosoghi@kntu.ac.ir 10031947532846005309 10031947532846005309 No Faculty of Geodesy and Geomatics Eng., K. N. Toosi Univ. of Tech., Tehran, Iran دانشگاه صنعتی خواجه نصیرالدین طوسی دانشکده مهندسی ژئودزی و ژئوماتیک