یونسفر

برای پنهان سازی سازه ها و تأسیسات زیرسطحی، شناخت عملکرد و توان فناوری های سنجش از دور نوین و پیشرفته از ضروریات اساسی است. یکی از این فناوری ها در سامانه های پر قدرت گرم کننده ی الکترومغناطیسی یونسفری بکار گرفته شده است که از امواج الکترومغناطیسی پر قدرت در محدوده فرکانسی 3 تا 10 مگاهرتز استفاده می کند. هارپ با ساطع کردن این امواج به منطقه ای از یونسفر موجب گرم شدن آن منطقه شده و این گرمایش منجر به گسیل امواجی با محدوده فرکانس خیلی پائین VLF و ELF می شود. هدف اصلی این تحقیق تحلیل و شناخت قابلیت سنجش از دور سامانه های پر قدرت گرم کننده ی الکترومغناطیسی یونسفری (هارپ)، در شناسایی اهداف زیرسطحی می باشد. در این پژوهش با بهره گیری از روش ترکیبی تجزیه و تحلیل داده های چندگانه بر مبنای توصیف و تحلیل داده های جمع آوری شده از منابع علمی و تئوریک، گزارشات رسمی و معتبر، بررسی نتایج آزمایشات تجربی انجام گرفته در جهان و ایران و در نهایت اخذ نظر خبرگان و صاحب نظران جامعه آماری تحقیق به روش میدانی، به سؤال اصلی تحقیق پاسخ داده شده است. نتایج حاصل از این تحقیق نشان می دهد که سامانه های پر قدرت گرم کننده ی الکترومغناطیسی یونسفری، قابلیت سنجش از دور و امکان شناسائی اهداف زیرسطحی را دارند. بر این اساس، این سامانه ها تهدیدی جدی برای شناسایی اهداف زیر سطحی محسوب می شوند؛ و لذا در ادامه تحقیق، راهکارهای دفاع غیرعامل در برابر این تهدید  نیز ارائه گردیده است.

یونسفر یکی از پدیده های پیچیده است که شامل مولکول های یونیزه شده توسط خورشید می باشد. ضرورت مطالعه یونسفر و مدل سازی آن از این حقیقت ناشی می شود که محتوای الکترونی یونسفر به پارامترهای زیادی بستگی دارند که دائما در حال تغییر هستند. انتشار امواج الکترومغناطیس در لایه یونسفر تحت تأثیر الکترون های آزاد این محیط بوده، بنابراین مدل سازی یونسفر در بسیاری از زمینه ها از قبیل ارتباطات مخابراتی، ناوبری و تعیین موقعیت ماهواره ای، سیستم های راداری و سایر فناوری های فضایی مورد توجه می باشد. طبیعت پیچیده یونسفر باعث شده مدل ها و روش های مختلف دو بعدی و سه بعدی جهت رسیدن به یک برآورد مناسب از مقدار محتوای الکترون یونسفر پایه گذاری، ارزیابی و مقایسه شوند. در این مقاله از شبکه های عصبی موجک جهت مدل سازی مقدار محتوای الکترون لایه یونوسفر (TEC) در ایستگاه های چهار شهر اهواز، ساری، کرمان و سقز در 365 روز از سال 2014 استفاده شده است. نتایج مدلسازی با روش های مذکور برای داده های مکانی و دماهای مختلف در ایران ارزیابی و مقایسه شده و به صورت کمی ارائه گردید. داده های مورد استفاده، نقشه های یونسفری می باشند که نمایشگر میزان محتوای مجموع الکترونی هستند. نتایج این تحقیق نشان دهنده تأثیر مؤلفه های مکانی و دما در کارایی شبکه عصبی موجک در برآورد محتوای الکترونی یونسفر می باشد. میانگین خطای نسبی به دست آمده برای حالت تلفیقی پارامترهای مکان، زمان و دما با استفاده از شبکه های عصبی موجک برابر 52/11 درصد بوده است. این مقدار برای حالت تلفیقی دو پارامتر به طور میانگین برابر 05/15 درصد به دست آمده است. مقایسه صورت گرفته در مورد خطا نشان دهنده برتری حالت تلفیقی سه پارامتر دما، مکان و زمان نسبت به سایر حالت ها در برآورد محتوای الکترونی یونسفر بوده است. همچنین در این مقایسه، بهترین مدل مربوط به حالت های مکان- دما- زمان، مکان- زمان و دما- زمان به ترتیب مربوط به شبکه های عصبی RBF, MLP و B-spline با تلفیق موجک مورلت بوده است.

در این مقاله ایده استفاده از روش شبکه عصبی بازگشتی دروازه ای (GRU) برای مدل سازی مکانی-زمانی محتوای الکترون کلی یونسفر (TEC) به عنوان یک مدل جدید پیشنهاد شده است. در این نوع شبکه عصبی برخلاف شبکه های عصبی معمولی، مشکل محوشدگی گرادیان وجود نداشته و از لحاظ محاسبات نیز بسیار ساده و سبک است. کارایی مدل جدید با استفاده از مشاهدات 15 ایستگاه GPS در شمال غرب ایران ارزیابی شده و برای محاسبه دقت مدل GRU، دو ایستگاه کنترل داخلی و سه ایستگاه کنترل خارجی در نظر گرفته شده است. لازم به ذکر است که آموزش مدل GRU با استفاده از پارامترهای طول و عرض جغرافیایی ایستگاه GPS، روز از سال (DOY)، زمان (به وقت جهانی)، شاخص های ژئومغناطیسی AP، KP و DST و شاخص فعالیت خورشیدی (F10.7) انجام می شود. همچنین TEC در راستای زنیت (VTEC) مرتبط با پارامترهای ورودی به عنوان خروجی مطلوب در نظر گرفته شده است. نتایج مدل جدید با نتایج شبکه عصبی مصنوعی (ANN)، نقشه های جهانی یونسفر (GIM) و مدل تجربی IRI2016 مقایسه می شود. همچنین تأثیر TEC مدل سازی شده در تعیین موقعیت نقطه ای دقیق (PPP) مورد بررسی قرار گرفته است. در مرحله ارزیابی، مقدار میانگین RMSE مدل های ANN و  GRU و GIM و IRI به ترتیب برابر با 2.42، 1.76، 3.02 و 6.91 TECU به دست آمد. همچنین میانگین خطای نسبی مدل ها به ترتیب برابر با 12.93%، 10.75%، 16.82% و 26.56% حاصل شد. تجزیه و تحلیل روش PPP بهبود 45 میلی متری در مؤلفه های مختصات با استفاده از مدل GRU را نشان می دهد. نتایج به دست آمده حاکی از این است که در فعالیت های ژئومغناطیسی و خورشیدی بالا و پایین، مدل GRU نسبت به مدل های دیگر از دقت بالاتری برخوردار است.

در این پژوهش مقدار محتوای الکترون کلی ( TEC ) یونوسفر با استفاده از تبدیل فوریه ( FT ) مورد ارزیابی قرار گرفته است. برای این منظور مشاهدات ایستگاه GPS تهران ( N 35.69 ، E 51.33) که یکی از ایستگاه های شبکه جهانی IGS است، از سال 2007 تا سال 2018 مورد استفاده قرار می گیرد. با استفاده از مشاهدات سال های 2017-2007 ضرایب سری فوریه محاسبه شده و فرکانس های غالب موجود در آن استخراج می شود. سپس با استفاده از ضرایب سری فوریه بدست آمده، مقدار TEC به صورت روزانه، ماهانه و سالیانه برای سال 2018 پیش بینی می شود. به منظور ارزیابی روش پیشنهادی در این تحقیق، نتایج حاصل با مقادیر TEC حاصل از GPS ( GPS TEC )، مدل کریجینگ معمولی ( OK TEC ) و همچنین TEC حاصل از شبکه جهانی IGS ( GIM TEC ) مقایسه شده اند. پارامترهای آماری خطای نسبی، جذر خطای مربعی میانگین ( RMSE )، ضریب همبستگی و هیستوگرام باقیمانده ها برای ارزیابی نتایج مورد استفاده قرار می گیرند. براساس نتایج، پیش بینی مقدار TEC حاصل از سری فوریه در سال 2018 دارای بیشینه خطای نسبی 16.62% وجذر خطای مربعی میانگین،  1.97 TECU  است. برای مدل GIM بیشینه مقادیر خطای نسبی و RMSE به ترتیب 45.40% و 3.50 TECU به دست آمده است. همچنین برای مدل کریجینگ معمولی مقادیر خطا به ترتیب برابر با 21.35% و 2.12 TECU شده است. تحلیل هیستوگرام باقیمانده ها نیز حاکی از دقت بالاتر مدل FT نسبت به مدل های GIM و کریجینگ معمولی است. نتایج حاصل نشان می دهند که روش تبدیل فوریه قابلیت بالایی برای تخمین سری زمانی TEC در دوره فعالیت های آرام خورشیدی را دارد.