GRU

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.