ژئودزی
لیدا کوشکی؛ بهزاد وثوقی؛ سید رضا غفاری رزین
چکیده
پدیده زمینلرزه هرساله در جهان و مخصوصاً کشور لرزهخیزی چون ایران، زیانهای جانی و مالی هنگفتی به بار میآورد و پیشبینی زمینلرزه به یکی از چالشهای بزرگ دانشمندان در دهههای اخیر تبدیل شده است. از جمله این پیشنشانگرها میتوان به وقوع بیهنجاری در پارامترهای یونسفری قبل از زمینلرزه اشاره نمود. پارامتر مورد بررسی در این ...
بیشتر
پدیده زمینلرزه هرساله در جهان و مخصوصاً کشور لرزهخیزی چون ایران، زیانهای جانی و مالی هنگفتی به بار میآورد و پیشبینی زمینلرزه به یکی از چالشهای بزرگ دانشمندان در دهههای اخیر تبدیل شده است. از جمله این پیشنشانگرها میتوان به وقوع بیهنجاری در پارامترهای یونسفری قبل از زمینلرزه اشاره نمود. پارامتر مورد بررسی در این تحقیق محتوای الکترون کلی (TEC) است و مناطق مطالعاتی برای بررسی، زمینلرزه دوگانه اهر- ورزقان با بزرگای 6.5 و زمینلرزه سرپل ذهاب با بزرگای 6.3 است. در زمینلرزه اهر- ورزقان از مشاهدات شش ایستگاه GPS و در زمینلرزه سرپل ذهاب از مشاهدات پنج ایستگاه GPS شبکه جهانی IGS، به منظور محاسبه مقدار محتوای الکترون کلی (TEC) یونسفر استفاده شده است. تبدیل فوریه زمان کوتاه (STFT) و پارامترهای آماری میانگین و انحراف معیار برای کشف بیهنجاریهای موجود در سری زمانی یونسفر بهکار گرفته شدهاند. همچنین تغییرات شاخصهای ژئومغناطیسی و آب و هوایی KP، Dst، F10.7، Vsw (سرعت پلاسما)، Ey (میدان مغناطیسی) و IMFBz (میدان مغناطیسی بین سیارهای) برای اطلاع از شرایط روزهای قبل از وقوع زمینلرزه مورد بررسی و آنالیز قرار گرفتهاند. نتایج نشان میدهد که برای زمینلرزه اهر- ورزقان، بیهنجاریهایی در11، 12، 13 و نیز 5 روز قبل از زمینلرزه وجود دارد. اما برای زمینلرزه سرپل ذهاب، در 6، 7، 13 و 21 روز قبل از زمینلرزه، بیهنجاریهایی قابل مشاهده است. آنالیزهای انجام گرفته در این مقاله نشان میدهد که در صورت بررسی کلیه پارامترهای ژئومغناطیسی و آب و هوائی قبل از وقوع زمینلرزه، میتوان با آنالیز سری زمانی یونسفر با روش STFT، بیهنجاریهای موجود را به صورت مستقیم مشاهده نمود. توجه به این نکته ضروری است که در روزهایی که شرایط ژئومغاطیسی و آب و هوایی آرامی حاکم نیست، نمیتوان تنها وقوع زمینلرزه را علت بیهنجاریهای کشف شده در سری زمانی یونسفر، دانست.
ژئودزی
سید رضا غفاری رزین؛ نوید هوشنگی؛ بهزاد وثوقی
چکیده
در این مقاله ایده استفاده از مدل شبکه عصبی حافظه کوتاه مدت طولانی (LSTM) به منظور مدلسازی و پیشبینی سری زمانی یونوسفر در دوره فعالیتهای شدید خورشیدی به عنوان یک روش جدید ارائه شده است. با استفاده از مدل جدید مقدار محتوای الکترون کلی (TEC) مدلسازی شده و سپس تغییرات زمانی آن در دوره فعالیتهای شدید خورشیدی و ژئومغناطیسی (سال 2017) پیشبینی ...
بیشتر
در این مقاله ایده استفاده از مدل شبکه عصبی حافظه کوتاه مدت طولانی (LSTM) به منظور مدلسازی و پیشبینی سری زمانی یونوسفر در دوره فعالیتهای شدید خورشیدی به عنوان یک روش جدید ارائه شده است. با استفاده از مدل جدید مقدار محتوای الکترون کلی (TEC) مدلسازی شده و سپس تغییرات زمانی آن در دوره فعالیتهای شدید خورشیدی و ژئومغناطیسی (سال 2017) پیشبینی میشود. برای بررسی کارائی روش مورد اشاره، از مشاهدات ایستگاه GPS تهران (N35/69 ، E51/33) که یکی از ایستگاههای شبکه جهانی IGS میباشد، استفاده شده است. مشاهدات سالهای 2007 الی 2016 برای آموزش مدل مورد نظر به کار گرفته شده و سپس با مدل آموزش دیده، سری زمانی TEC در سال 2017 پیشبینی میشوند. نتایج حاصل از مدل جدید با نتایج حاصل از مدل شبکه عصبی رگرسیون عمومی (GRNN)، مدل تجربی NeQuick و خروجی شبکه جهانی IGS (GIM-TEC) مقایسه شده است. همچنین از شاخصهای آماری ضریب همبستگی، خطای نسبی و جذر خطای مربعی میانگین (RMSE) به منظور بررسی دقت و صحت مدلها استفاده میشود. مقدار RMSE به دست آمده برای مدلهای LSTM، GRNN، GIM و NeQuick در مرحله تست سال 2017 به ترتیب برابر با 2/87، 4/51، 4/14 و 6/38 TECU میباشد. آنالیز مؤلفههای مختصاتی ایستگاه تهران با روش تعیین موقعیت نقطهای دقیق (PPP) نشان میدهد که با استفاده از مدل جدید، بهبودی در حدود 5/19 الی 56/23 میلیمتر در مختصات ایستگاه نسبت به سایر مدلها دیده میشود. نتایج حاصل از این تحقیق نشان میدهد که دقت و صحت مدل LSTM برای پیشبینی مقدار TEC در دوره فعالیتهای شدید خورشیدی و ژئومغناطیسی، در مقایسه با مدلهای GRNN، NeQuick و GIM بیشتر است.