İyonosfer Parametrelerinin Çok Katmanlı Algılayıcılar ile Kestirimi

Creative Commons License

İban M. C., Şentürk E.

El-Cezerî Journal of Science and Engineering, cilt.8, sa.3, ss.1480-1494, 2021 (Scopus)

Özet

İyonosferik parametrelerin değişimi, uzay iklimi, haberleşme ve seyrüsefer konularında oldukça önemli bir role sahiptir. Bu çalışmada, derin öğrenme yöntemlerinden olan Çok Katmanlı Algılayıcılar (ÇKA) regresyonu modelinin F2 Katmanı Kritik Frekansı (foF2), Tepe Elektron Yoğunluğunun F2 Katmanı Yüksekliği (hmF2) ve Toplam Elektron İçeriği (TEC) gibi iyonosfer parametrelerini kestirim performansı analiz edilmiştir. 01.01.2012 ile 31.12.2013 tarihleri arasında, ROME (RO041) digisonde istasyonunun saatlik f0F2 ve hmF2 değerleri ile M0SE00ITA istasyon kodlu Uluslararası GNSS Servisi (IGS) istasyonunun saatlik TEC değerleri kullanılmıştır. Her iki istasyon da birbirine oldukça yakındır ve orta enlem bölgesinde bulunmaktadır. Eğitilecek girdi parametreler, verilerin gözlem periyotları, F10.7 güneş indeksi, jeomanyetik Ap indeksinin saatlik değerleri ve mevcut (t) zamanındaki f0F2, hmF2 ve TEC değerleri ile bunların bir önceki güne ait (t-23) değerleri olarak seçilmiştir. Çıktı değişken, bu parametrelerin bir saat ileri (t+1) tahmin değerleridir. 2012 yılı verileri modelin eğitiminde kullanılmıştır. 2013 yılı verileri üzerinde gerçekleştirilen tahminin doğruluğu için Kök Karesel Ortalama Hata (KKOH) ve korelasyon değerleri hesaplanmış olup, bu değerler tüm yıl, yaz, kış ve ekinoks dönemleri için ayrı ayrı karşılaştırılmıştır. Sonuçlar, kestirim performansının genellikle kış döneminde daha yüksek, yaz döneminde ise diğer dönemlere görece düşük olduğunu göstermiştir. Ulaşılan istatistiksel sonuçlara göre, modelin çoklu iyonosferik parametrelerin tahmininde genel anlamda başarılı olduğu tespit edilmiştir. 

The variation of ionospheric parameters has crucial role in space weather, communication, and navigation. In this research, we analyze prediction performance of Multi-layer Perceptron (MLP) regression model, one of deep learning algorithms, for F2-layer Critical Frequency (f0F2), F2-layer Height of the Peak Electron Density (hmF2), and Total Electron Content (TEC). Hourly f0F2 and hmF2 values of ROME (RO041) digisonde and hourly TEC values of an International GNSS Service (IGS) station with site code M0SE00ITA were obtained for the period between 01.01.2012 and 31.12.2013. Both stations are located in mid-latitude region and are situated very close. The inputs to be trained are the observation periods of data, hourly values of solar index F10.7 and geomagnetic index Ap, present values of f0F2(t), hmF2(t), TEC(t), and their values at t−23h. The output is the predicted values of parameters at t + 1. The 2012 values were used to train the model and they were predicted 1 hour in advance during 2013. Root Mean Square Error (RMSE) and correlation values between observed and predicted data were compared for the whole year, summer, winter, and equinox periods. The results showed that prediction performance of model is generally higher in winter period and partially lower in summer period than the others. The statistical results obtained show that the model was generally successful in forecasting multiple ionospheric parameters.