تجزیه و تحلیل کاربرد VTEC برگرفته از مدل پیچیده Klobuchar در چین

خلاصه

اگرچه مدل Klobuchar به طور گسترده در گیرنده های GPS تک فرکانس استفاده می شود، اما نمی تواند به طور موثر تاخیر یونوسفر را اصلاح کند. مدل Klobuchar تأخیر یونوسفر شب را به عنوان یک ثابت تنظیم می کند، یعنی نمی تواند تغییرات زمانی را در شب منعکس کند. داده‌های مشاهداتی هفده ایستگاه بین‌المللی سرویس ماهواره‌ای ناوبری جهانی (IGS) در داخل و اطراف چین از سال 2011 ارائه شده توسط مرکز IGS در این مطالعه برای محاسبه مقادیر محتوای الکترونی کل (TEC) با استفاده از مدل کلوبوچار و فرکانس دوگانه استفاده می‌شود. مدل. مدل هموارسازی نمایی Holt-Winters برای پیش‌بینی خطای روز هفتم بین مدل کلوبوچار و مدل دو فرکانس با استفاده از خطای شش روز قبلی استفاده می‌شود. نتایج پیش‌بینی برای توسعه مدل پیچیده Klobuchar در زمانی که هیچ دوره‌ای از دست نمی‌رود، استفاده می‌شود، با توجه به اینکه دلایل خاصی ممکن است منجر به از دست رفتن برخی از داده‌های مشاهداتی شود و رابطه بین هر دوره را در کاربردهای عملی تضعیف کند. ما کاربرد مدل پیچیده Klobuchar را زمانی که داده‌های مشاهداتی از دست رفته است، مطالعه می‌کنیم. این مطالعه داده های مشاهده برخی از دوره ها را به طور تصادفی حذف می کند و سپس مقادیر TEC را با استفاده از مدل کلوبوچار محاسبه می کند. یک منحنی اسپلاین مکعبی برای بازیابی مقادیر TEC از دست رفته محاسبه شده در حالت Klobuchar استفاده می شود. در نهایت، ما مدل پیچیده Klobuchar را زمانی که دوره‌های N در چین وجود ندارد، توسعه می‌دهیم. مدل پیچیده کلوبوچار با مدل فرکانس دوگانه مقایسه شده است. نتایج تجربی موارد زیر را نشان می دهد: (1) مدل پیچیده Klobuchar می تواند تاخیر یونوسفر را به طور قابل توجهی نسبت به مدل Klobuchar اصلاح کند. (2) مدل پیچیده Klobuchar می تواند منعکس کننده تکامل زمانی یونوسفر، به ویژه در شب، با افزایش نتایج صحیح با افزایش عرض جغرافیایی باشد. و (3) مدل پیچیده کلوبوچار می تواند به نتایج اصلاحی قابل توجهی دست یابد که دوره های N وجود نداشته باشد، با نتایج صحیح تقریباً به خوبی مدل فرکانس دوگانه زمانی که هیچ دوره ای وجود ندارد.

کلید واژه ها:

یونوسفر ؛ مدل کلوبوچار ; مدل هموارسازی نمایی Holt–Winters ; منطقه چین

1. معرفی

سیگنال های ماهواره ای که از یونوسفر عبور می کنند ممکن است تحت تأثیر یونوسفر قرار گیرند. خطای یونوسفر یک سیگنال ممکن است از متر تا ده ها متر متفاوت باشد. این خطا یکی از اصلی ترین خطاهای موقعیت یابی در سیستم جهانی ناوبری ماهواره ای (GNSS) است [ 1 ]. محتوای الکترونی کل (TEC) عنصر کلیدی است که باعث تاخیر یونوسفر می شود و یک پارامتر مهم برای ناوبری ماهواره ای است [ 2 ]. از آنجایی که یونوسفر یک محیط پراکنده است، هنگامی که سیگنال های امواج الکترومغناطیسی از یونوسفر عبور می کنند، تاخیر به فرکانس سیگنال و توزیع چگالی الکترون مربوط می شود. خطای تاخیر یونوسفر را می توان از طریق ترکیب بدون یونوسفر از دو یا چند فرکانس حذف کرد [ 3 ، 4]]. با این حال، این نیاز به گیرنده‌هایی دارد که بتوانند سیگنال‌های دو فرکانس و حتی سیگنال‌های چند فرکانس ماهواره را بپذیرند. در مورد کاربران تجاری سیستم موقعیت یاب جهانی (GPS)، گیرنده های آنها عمدتاً گیرنده های تک فرکانس هستند. برای یک گیرنده GPS تک فرکانس، می توان از انواع مدل ها یا الگوریتم های مختلف برای اصلاح تاخیر یونوسفر استفاده کرد. این مدل‌ها برای گیرنده‌ها اعمال می‌شوند و می‌توانند به‌صورت زیر طبقه‌بندی شوند: (1) مدل‌های یونوسفر پخش (BIM)، که شامل مدل Klobuchar (BKM) در GPS [5]، مدل NeQuick در Galileo [6]، ماهواره BeiDou می‌شود . مدل یونوسفری سیستم ناوبری (BDS) [ 7 ]، و شبکه های یونسفری که توسط سیستم تقویت مبتنی بر ماهواره (SBAS) پخش می شوند [ 8]]؛ (2) مدل‌های یونوسفر تجربی (EIM)، مانند مدل یونوسفر مرجع بین‌المللی (IRI) [ 9 ] و مدل یونوسفر پارامتری شده (PIM) [ 10 ]. و (3) نقشه های جهانی یونوسفر (GIM) ارائه شده توسط هر مرکز تجزیه و تحلیل بین المللی سرویس ماهواره ای ناوبری جهانی (IGS) [ 11 ]. این مدل ها از داده های مشاهده ای برای ایجاد مدلی برای محاسبه TEC در سراسر جهان استفاده می کنند.

BIM می‌تواند داده‌های تأخیر یونوسفر را به‌راحتی برای گذر زمان‌های پخش، ارتفاع ماهواره و آزیموت ماهواره محاسبه کند. از آنجایی که BIMها می توانند تاخیر یونوسفر را به راحتی و به راحتی محاسبه کنند، به طور گسترده در گیرنده های تک فرکانس استفاده می شوند. به طور خاص، BKM اغلب استفاده می شود، اگرچه دقت تصحیح آن بالا نیست [ 12 ، 13 ، 14 ]. EIM می تواند تأخیر یونوسفر را با استفاده از پارامترهای چند روز قبل که می تواند بر یونوسفر تأثیر بگذارد، مانند فعالیت خورشید و فعالیت ژئومغناطیسی محاسبه کند [ 15] .]. با این حال، این پارامترها به راحتی توسط کاربران به دست نمی آیند. علاوه بر این، EIM نمی‌تواند تاخیر یونوسفر را در زمان واقعی ارائه دهد. این امر استفاده از EIM را در گیرنده های تک فرکانس محدود می کند. GIM ها توسط مرکز IGS ارائه می شوند. محصول نهایی ممکن است تقریبا 14 روز به تاخیر بیفتد. حتی محصول سریع دو روز به تأخیر می افتد، و دقت متوسط 2-8 TECu در سراسر جهان است [ 16 ، 17 ]. روش دیگر، برخی از مراکز تجزیه و تحلیل IGS می توانند یک محصول پیش بینی دو روزه را ارائه دهند [ 18 ]. با این حال، اگر منطقه فاقد ایستگاه IGS باشد، این محصول نمی تواند نیاز موقعیت یابی با دقت بالا را برآورده کند [ 19 ]. نتیجه می گیریم که BIMها مدل هایی هستند که استفاده آسان، موثر و به طور گسترده در عمل مورد استفاده قرار می گیرند [ 20]].

BKM برای سیستم GPS توسط JA Klobuchar در سال 1987 پیشنهاد شد. از آن برای محاسبه تاخیر یونوسفر استفاده می شود و می تواند تاخیر 50٪ تا 60٪ را در عرض جغرافیایی میانی منعکس کند. بهتر است در عرض جغرافیایی میانی اعمال شود. این مدل از هشت پارامتر در گذر زمان پخش برای محاسبه تاخیر یونوسفر استفاده می کند. علاوه بر این، مدل مقادیر تاخیر را به عنوان بخش مثبت یک تابع کسینوس در طول روز در نظر می‌گیرد. اوج یونوسفر در ساعت 14:00 به وقت محلی (LT) تعیین شده است. تأخیر در شب به عنوان ثابت 5 ns تنظیم می شود. دقت مدل به دو دلیل زیر محدود است. ابتدا جدولی از مقادیر از پیش تعریف شده برای به روز رسانی هشت ضریب در سیستم GPS استفاده می شود. این مقادیر برای یک شرایط خاص در چرخه خورشیدی از پیش تعریف شده اند. آنها قرار نیست هر روز به روز شوند. دومین،21 ]. محققان کوشیده اند راهی برای حل این دو مشکل اولیه بیابند.

برای اولین رویکرد، مرکز تعیین مدار در اروپا (CODE) [ 22 ] هشت پارامتر را دوباره برازش می‌دهد و آنها را در اینترنت منتشر می‌کند. کاربران تک فرکانس می توانند از این رویکرد برای پرداختن به خط پایه به راحتی و دستیابی به دقت بالاتر تاخیر یونوسفر استفاده کنند. یوان و همکاران [ 23 ] هشت پارامتر را با استفاده از داده های صدها ایستگاه IGS و شبکه مشاهده حرکت پوسته چین (CMONOC) اصلاح کرد. این رویکرد در مقایسه با BKM دقت را نزدیک به 15٪ در منطقه چین بهبود بخشید. علاوه بر این، روش هشت پارامتری تصفیه شده BKM نیز در اصلاح یونوسفر منطقه ای BDS استفاده می شود [ 24 ]. سیستم ماهواره‌ای ناوبری منطقه‌ای هند (IRNSS) [ 25] مجموعه ای از ضرایب را برای کاربران تک فرکانس پخش می کند که اندازه گیری ها را در هند به روز می کند. اگرچه روش پالایش هشت پارامتر با استفاده از داده‌های رصد ماهواره‌ای می‌تواند به نتایج تصحیح قابل‌توجهی در کاربردهای واقعی دست یابد، اما تنها تغییرات روزانه را در طول روز در نظر می‌گیرد. با این حال، تغییر در شب همچنان ممکن است منجر به خطای 20٪ تا 30٪ در موقعیت یابی شود و برای چین مناسب نیست.

برای اصلاح تاخیر در شب، Filjar و همکاران. [ 26 ] یک مدل کلوبوچار مانند برای تصحیح تاخیر در شب ایجاد کرد. آنها از یک تناسب خطی برای شبیه سازی تاخیر در شب استفاده کردند. علاوه بر این، تغییر دامنه تغییرات فصلی را در نظر می گیرد. این رویکرد بهتر می تواند تاخیر یونوسفر را در جنوب آدریاتیک اصلاح کند. علاوه بر این، هان و همکاران. [ 27 ] یک مدل کلوبوچار مانند با چهارده پارامتر ایجاد کرد. دو مورد از پارامترها برای محاسبه تاخیر یونوسفر عمودی در شب استفاده می شود. این رویکرد درجه خاصی از بهبود را در شب فراهم می کند. این روش ها برای بهبود BKM می توانند به طور معتبر تاخیر در شب را اصلاح کنند. با این حال، دقت کلی آنها باید بیشتر بهبود یابد.

با پیشرفت تکنولوژی، کاربران تک فرکانس مشتاق بهبود دقت موقعیت یابی خود هستند. روش های ذکر شده در بالا می توانند به طور کلی تاخیر یونوسفر را بهتر تصحیح کنند، اما به دلیل دقت تصحیح پایین و روش های پیچیده، استفاده از آنها در گیرنده ها محدود است. برای پرداختن به این مسائل، این مطالعه بایاس بین BKM و مدل مشاهده فرکانس دوگانه (DM) را به عنوان یک سری زمانی بررسی می‌کند. روش تحلیل سری زمانی برای پیش بینی سوگیری استفاده می شود. سوگیری پیش بینی شده برای بهبود BKM استفاده می شود. داده های رصدی ایستگاه های IGS در داخل و اطراف چین برای آزمایش کاربرد BKM پیچیده استفاده می شود. علاوه بر این، این مطالعه کاربرد مدل در چین را در مورد برخی از دوره‌های گمشده مورد بحث قرار می‌دهد.

2. روش مدل پیچیده

2.1. مدل مشاهده فرکانس دوگانه

GPS-TEC را می توان از طریق اندازه گیری شبه برد و فاز حامل به دست آورد. این یک راه مهم برای تخمین چگالی الکترون در سیستم های ناوبری است. با محاسبه دیفرانسیل اندازه‌گیری‌های کد و فاز حامل، گیرنده‌های GPS با فرکانس دوگانه می‌توانند اطلاعات کاملی در مورد یونوسفر ارائه دهند. بنابراین، TEC مشتق شده از گیرنده های فرکانس دوگانه به عنوان ورودی به یک مدل جذبی از یونوسفر پیشنهاد شده است. به همین دلیل است که داده های TEC به دست آمده از گیرنده های فرکانس دوگانه برای این مطالعه استفاده شده و به عنوان مقادیر واقعی در نظر گرفته شده است. در عین حال می توانیم موارد زیر را از Ref. [ 28]. داده های مشاهداتی از دامنه شبه مبهم هستند و می توانند مقادیر TEC مطلق را به دست آورند. با این حال، آنها تحت تأثیر نویز زیاد قرار می گیرند که استفاده گسترده از آنها را در عمل محدود می کند. از سوی دیگر، داده‌های مشاهده از فاز حامل مبهم هستند و مقادیر TEC نسبی را ارائه می‌دهند، اگرچه نویز کمتری دارند. این امر استفاده گسترده آنها را در عمل مهندسی واقعی و همچنین بیشتر کاربردهای علمی محدود می کند. برای حل این مشکل، نویز شبه برد با هموارسازی داده های شبه برد با استفاده از اندازه گیری های فاز حامل کاهش می یابد. این تکنیک صاف کردن فاز حامل [ 29 ] نامیده می شود.

هچ در ابتدا یک الگوریتم پرکاربرد را برای هموارسازی محدوده شبه کد با استفاده از اندازه‌گیری‌های فاز حامل پیشنهاد کرد [ 30 ]. یک عامل وزن هموارسازی وابسته به دوره (SWF) بیشتر برای بهبود این الگوریتم معرفی شده است [ 31 ]. اصلاح بیشتر در این الگوریتم با کاهش SWF با یک مقدار ثابت با افزایش تعداد دوره‌های داده GPS مورد استفاده برای هموارسازی انجام می‌شود [ 32 ]. در مقایسه با داده‌های TEC که هموار نمی‌شوند، داده‌های TEC صاف شده معمولاً بهبود چند TECu را در دقت نشان می‌دهند. الگوریتم این مدل به شرح زیر است:

پ (تی من) s m = ω من پ (تی من) + (1 - ω من) [پ (تی من - 1) s m + L (تی من) - L (تی من - 1)] .

(1)

در معادله (1)

P (t_{i})

L (t_{i})

کد شبه برد و اندازه گیری فاز حامل در دوره هستند

t_{i}

، به ترتیب؛

ω_{i}

ضریب وزن هموارسازی با مقدار اولیه 1 و متغیر است

[0 ~ 1]

;

P {(t_{i})}_{s m}

اندازه گیری کد هموار حاصل در دوره است

t_{i}

. در این تحقیق فاکتور وزن

ω_{i}

با افزایش زمان صاف کاهش می یابد. نرخ کاهش را می توان با استفاده از نتایج تجربی تایید کرد. نرخ کاهش معمولاً 0.01 است که

i > 100

ω_{i} = 0.01

و دیگر هرگز تغییر نمی کند

برای ارزیابی دقت اندازه‌گیری شبه برد کد هموار، شکل تحلیلی بسط یافته معادله (1) باید ایجاد شود. شروع از شرایط اولیه از $P {(t_{1})}_{s m} = ω_{1} P (t_{1})$ در اولین دوره، عبارت توسعه یافته زیر را می توان برای اندازه گیری کد هموار در دوره استخراج کرد $t_{i}$ :

پ (تی من) s m = L (تی من) + \sum من k = 1 ω ک (1-_ω k + 1) \dots (1 - ω من) \times [ص (تی ک) - L (تی ک)] .

(2)

هنگامی که اندازه‌گیری‌های شبه برد کد هموار در باند L1 و L2 بدست آمد، محتوای الکترون کل یونوسفر را می‌توان به صورت زیر بدست آورد [ 33 ]:

تی E سی (تی من) = f 2 1 [ پ ( تی من ) 1 ، s m - پ ( تی من ) 2 ، s m - D C ب اس - دی اس ب آر ] 40.3 \times 10 16 ( 1 - γ ) .

(3)

در معادله (3)

T E C (t_{i})

TEC در دوران است

t_{i}

;

P {(t_{i})}_{1, s m}

P {(t_{i})}_{2, s m}

اندازه‌گیری‌های شبه برد کد هموار شده به ترتیب برای فرکانس‌های L1 و L2 هستند.

γ = {(f_{1} / f_{2})}^{2} = {(1575.41 / 1227.6)}^{2}

; بایاس های کد دیفرانسیل (DCB) تاخیرهای دامنه الکترونیکی بین فرکانس تولید شده در دستگاه گیرنده ها هستند.

D S B_{R}

) و ماهواره (

D C B^{S}

) و از طریق روش ارائه شده در Ref قابل حذف است. [ 34 ].

علاوه بر این، TEC مشتق شده از فرکانس دوگانه، TEC مایل (STEC) در طول مسیر سیگنال بین ماهواره و گیرنده روی زمین است. برای رهایی STEC از وابستگی به هندسه مسیر پرتو از ماهواره به گیرنده از طریق یونوسفر، لازم است STEC را به TEC عمودی (VTEC) تبدیل کنید. در عین حال، VTEC پارامتر مهمتری برای مشخص کردن TEC در یک موقعیت گیرنده معین است و به عنوان یک شاخص خوب برای یونیزاسیون کلی یونوسفر زمین استفاده می شود [ 35 ]. از این رو، از رابطه (4) برای تبدیل STEC به VTEC با فرض اینکه یونوسفر معادل پوسته نازکی است که زمین را احاطه کرده است، با مرکز آن مشابه با زمین استفاده می شود [36 ] . از نظر زاویه اوج $χ^{'}$ در نقطه قطعه قطعه یونوسفر (IPP) و زاویه اوج $χ$ در موقعیت گیرنده روی زمین، رابطه بین STEC و VTEC را می توان به صورت زیر نشان داد:

VTEC = STEC (cos χ “) ،

(4)

جایی که

χ “ = آرکسین [آر ه آر ه + ساعت متر گناه χ] .

(5)

اینجا،

R_{e}

شعاع زمین بر حسب کیلومتر است.

h_{m}

ارتفاع حداکثر چگالی الکترون در قله F2 است که معمولاً از 250 کیلومتر تا 350 کیلومتر در عرض های جغرافیایی میانی و از 350 کیلومتر تا 500 کیلومتر در خط استوا متغیر است [37 ، 38 ] . در این مطالعه، ارتفاع حداکثر چگالی الکترون،

h_{m}

= 350 کیلومتر، به این دلیل انتخاب شد که بیشتر چین در عرض های جغرافیایی متوسط قرار دارد و در این ارتفاع، یونوسفر از نظر مکانی یکنواخت فرض می شود.

2.2. مدل کلوبوچار

BKM با استفاده از خواص آماری تغییرات یونوسفر تشکیل می شود. الگوریتم BKM [ 5 ] در رابطه (6) آورده شده است:

من( t ) {آ1+آ2cos [2 πآ4( t −آ3) ] ,when|_ t – آ3| <آ4/ 4آ1, w h e n | t – آ3| ≥آ4/ 4.من(تی){آ1+آ2cos[2�آ4(تی-آ3)]،�ساعته� |تی-آ3|<آ4/4آ1،�ساعته� |تی-آ3|≥آ4/4.

(6)

در معادله (6) $I (t)$ نشان دهنده مقدار تاخیر یونوسفر عمودی، در واحد ثانیه است. $A_{1}$ مقدار ثابت در شب را با مقدار 5 ns نشان می دهد. $A_{2}$ دامنه تابع کسینوس را در طول روز نشان می دهد و می تواند از آن محاسبه شود $α_{n}$ در گذر زمان پخش (معادله (7))؛ $A_{3}$ فاز اولیه را نشان می دهد و همیشه زمان مقدار افراطی است (در اینجا، زمان 14:00 LT (50400 ثانیه) است). $A_{4}$ چرخه تابع کسینوس را نشان می دهد و می توان از آن محاسبه کرد $β_{n}$ در گذر زمان پخش (معادله (8))؛ و $t$ زمان محلی نقطه تقاطع بین یونوسفر و خط بین ماهواره و گیرنده را نشان می دهد:

آ 2 = {\sum 3 n = 0 α n ϕ n م ، آ 2 \geq 0 0, آ 2 < 0 ،

(7)

آ4= {∑3n = 0βnϕnم،آ4≥ 7200072000 _آ4< 72000.آ4={∑�=03���م�،آ4≥7200072000،آ4<72000.

(8)

در معادلات (7) و (8)

ϕ_{M}

عرض جغرافیایی ژئومغناطیسی IPP را در واحدهای نیم دایره نشان می دهد.

2.3. مدل هموارسازی نمایی Holt–Winters تا مدل Klobuchar پیچیده

برای بهبود استفاده از BKM در چین، تفاوت های یک روز مشخص بین BKM و DM را تحت تاثیر چند روز قبل فرض می کنیم. داده های اخیر بیشتر از داده های پیش رو بر داده های روز تأثیر می گذارد. به همین دلیل، مدل هموارسازی نمایی Holt-Winters برای پیچیده کردن BKM انتخاب شد.

مدل هموارسازی نمایی Holt-Winters [ 39 ] توسط Holt در سال 1957 توسعه یافت. این مدل به طور گسترده در بسیاری از مناطق دیگر استفاده شده است [ 40 ، 41 ، 42 ]. مدل فرض می کند که تمام داده های شناخته شده می توانند بر داده هایی که قرار است پیش بینی شوند تأثیر بگذارند. با این حال، داده های اخیر بر داده های پیش بینی بیشتر از داده های آینده تأثیر می گذارد. تأثیر در یک سری هندسی با تغییر زمان متفاوت است. بیان مدل غیر فصلی به شرح زیر است:

⎧⎩⎨⎪⎪ اس تی = α ایکس تی + (1 - α) (اس t - 1 - ب t - 1) ب تی = β (اس تی - اس t - 1) + (1 - β) ب t - 1 Δ تی من + م = اس تی + م ب تی .

(9)

در معادله (9)

S_{t}

ترکیب پایدار در زمان است

t

;

X_{t}

مشاهده در زمان است

t

;

b_{t}

ترکیب روند در آن زمان است

t

;

α, β \in [0, 1]

پارامترهای هموارسازی هستند.

Δ_{t_{i + m}}

نشان دهنده مقادیر پیش بینی در دومی است

m

دوره زمانی؛ و

m

دوره پیش بینی است. علاوه بر این، ما به خوانندگان پیشنهاد می کنیم که Refs را مطالعه کنند. [ 40 ، 41 ، 42 ] برای کسب اطلاعات بیشتر در مورد مدل Holt-Winters.

پس از انجام آزمایش‌های مکرر فراوان، این مطالعه در نهایت از داده‌های مشاهداتی شش روزه ارائه شده توسط ایستگاه‌های IGS ( ftp://cddis.gsfc.nasa.gov ) برای محاسبه مقادیر VTEC با استفاده از BKM و DM استفاده می‌کند. ابتدا، تفاوت بین BKM و DM در هر دوره از شش روز قبل محاسبه می شود. دوم، مدل هموارسازی نمایی Holt-Winters برای پیش‌بینی تفاوت‌ها در هر دوره از روز هفتم استفاده می‌شود. در نهایت، داده های پیش بینی هر دوره برای توسعه مدل پیچیده کلوبوچار (SKM) استفاده می شود. الگوریتم مورد استفاده در رابطه (10) به دست می آید:

من “ 2 (t) {آ 1 + آ 2 cos [2 π آ 4 (t - آ 3)] + Δ تی 1, w h e n | t - آ 3 | < آ 4 / 4 آ 1 + Δ تی 2, w h e n | t - آ 3 | \geq آ 4 / 4 .

(10)

اینجا،

Δ تی من = Δ تی + م ب تی, i = 1 یا r 2 .

(11)

معادله (11) چگونگی را نشان می دهد

Δ_{t_{i}}

از مدل Holt-Winters مشتق شده است.

Δ_{t}

نشان دهنده تفاوت بین BKM و DM در هر دوره از شش روز قبل است. m = 1; و

B_{t}

ترکیب روند در آن زمان است

t

. هر دو

Δ_{t}

B_{t}

را می توان از رابطه (6) به دست آورد.

علاوه بر این، مقادیر صحیح

Δ_{t}

تقسیم می شوند

Δ_{t_{1}}

Δ_{t_{2}}

، که با تغییر زمان تغییر می کند. در اینجا، ما یک روز را به دو دوره زمانی تقسیم کردیم، مانند BKM. اولین دوره زمانی است

| t - A_{3} | < A_{4} / 4

; دیگری است

| t - A_{3} | \geq A_{4} / 4

Δ_{t_{1}}

نشان دهنده سوگیری های پیش بینی شده اول است. و

Δ_{t_{2}}

نشان دهنده سوگیری های پیش بینی شده دوم است. در همان زمان، تعداد کل

Δ_{t_{1}}

Δ_{t_{2}}

در یک روز 2880 است که آنها را به عنوان یک سری زمانی ترکیب می کند. در ضمن در عمل

Δ_{t_{1}}

Δ_{t_{2}}

روزی یکبار می توان به روز رسانی کرد. سایر الگوریتم ها مانند الگوریتم های مدل کلوبوچار هستند.

3. نتایج و بحث

برای ایجاد مدل پیچیده Klobuchar در چین، این مطالعه ده ایستگاه IGS در چین و هفت ایستگاه IGS در سراسر چین را انتخاب می‌کند ( شکل 1 ). داده های مشاهده از روز سال (DOY) 095 تا 101 در سال 2011 است. روش پیچیده هر ایستگاه در بخش 2.3 ذکر شده است.. علاوه بر این، این مطالعه یک روز را به شش دوره زمانی تقسیم می کند. هر دوره شامل 4 ساعت (480 دوره) است. ما پارامترهای آماری را در دوره های زمانی 4 ساعت در هر ایستگاه محاسبه کردیم. برای هر دوره زمانی، میانگین بایاس (معادله (12)) بین BKM یا SKM و DM در هر ایستگاه، میانگین نرخ اصلاحی (معادله (13)) بین BKM یا SKM و DM در هر ایستگاه و ریشه میانگین مربعات خطا (RMSE، معادله (14)) در هر ایستگاه برای آزمایش نتیجه تصحیح شده. واحد بایاس TECu، واحد نرخ اصلاحی درصد (%) و واحد RMSE TECU است. در همان زمان، یک الگوریتم شبکه‌بندی انحنای پیوسته [ 43تکنیک ] نقشه برداری برای به دست آوردن VTEC در سراسر چین از نقطه ایزوله استفاده می شود. این روشی است که به طور گسترده در علم زمین استفاده می شود و می تواند اطلاعات اولیه هر نقطه ایزوله را حفظ کند.

b i a س من j = \sum متر j = n ( ک من j - D j ) m - n, i = 1 یا r 2,

(12)

پ من j = \sum متر j = n ( 1- _ ∣∣ ک من j - D j ∣∣ D j ) \times 100 m - n, i = 1 یا r 2,

(13)

R M اس E من j = \sum متر j = n ( ک من j - D j ) m - n ————-\sqrt ، i = 1 یا r 2

(14)

در معادلات (12)-(14)، i = 1 نشان دهنده BKM است. i = 2 نشان دهنده SKM است.

K_{i_{j}}

نشان دهنده مقدار VTEC BKM یا SKM در دوره j است.

D_{j}

نشان دهنده مقدار VTEC DM در دوره j است.

| K_{i_{j}} - D_{j} |

نشان دهنده خطای مطلق بین دو مدل در دوره j است. n دوره اولیه را نشان می دهد. و m نشان دهنده دوران پایانی است.

3.1. نتیجه مدلینگ در چین

داده های انتخاب شده برای ایجاد SKM (ذکر شده در بخش 2.3 ) در منطقه چین استفاده می شود. برای درک بهبود SKM، تجزیه و تحلیل آماری بر روی میانگین سوگیری بین BKM یا SKM و DM برای DOY 101، 2011 انجام شد. نتیجه در شکل 2 نشان داده شده است . بنابراین، شکل 2 a-c توزیع مقادیر متوسط DM، BKM و SKM در منطقه چین برای DOY 101، 2011 است. شکل 2 d نشان می دهد که تعصب بین BKM و DM در چین بین -4 TECu و 7 TECu است. در میان این بایاس ها، بزرگترین بایاس تقریباً 6.76 TECu است که در ایستگاه XIAN ظاهر می شود. کمترین بایاس تقریباً -3.38 TECu است که در ایستگاه KUNM ظاهر می شود. شکل 2d همچنین نشان می‌دهد که BKM دقت تصحیح بهتری در عرض جغرافیایی میانی دارد، اما همچنان نیاز به بهبود دارد. در غیر این صورت، دقت نمی تواند نیاز موقعیت یابی با دقت بالا را برآورده کند. شکل 2 e نشان می دهد که بایاس SKM در چین بین 0 TECu و 1 TECu است. در بین این بایاس ها، بزرگترین بایاس تقریباً 0.94 TECu است که در ایستگاه GUAO ظاهر می شود. کمترین بایاس تقریباً 0.59 TECu است که در ایستگاه KUNM ظاهر می شود. شکل 2 e نشان می دهد که سوگیری ها در چین به طور قابل توجهی در مقایسه با شکل 2 d بهبود یافته است. بنابراین، این رویکرد در بهبود BKM موثر است. علاوه بر این، این رویکرد می تواند به طور قابل توجهی نتیجه اصلاح را در یونوسفر بهبود بخشد.

3.2. نتیجه مدل سازی در چین با در نظر گرفتن دوره های گمشده

در بخش 3.1 ، بازه نمونه داده‌های مشاهده را تغییر ندادیم و مقدار آن در 30 ثانیه باقی ماند. بنابراین، رابطه معینی بین دوره های مختلف وجود دارد. با این حال، در عمل، برخی شرایط ممکن است باعث شود گیرنده ها نتوانند سیگنال ماهواره را بپذیرند. این رابطه بین دوره های مختلف را ضعیف می کند و دقت نتیجه تصحیح را کاهش می دهد، اگرچه SKM می تواند به یک نتیجه نسبتا خوب و صحیح دست یابد. این مطالعه کاربرد مدل را برای مورد دوره های N گم شده در چین در نظر می گیرد.

برای تعیین دقتی که SKM می‌تواند در حین در نظر گرفتن دوره‌های گمشده در داده‌های مشاهده به دست آورد، موارد زیر را در نظر می‌گیریم: حذف تصادفی 480 دوره (480)، 960 دوره (960)، 1440 دوره (1440)، دوره‌های 1920 (1920)، و 2400 دوره (2400). حذف دوره های تصادفی برای هر روز انجام می شود. به عنوان مثال، حذف تصادفی 480 دوره (480) به این معنی است که این 480 دوره تصادفی برای تمام شش روز قبل وجود ندارد. علاوه بر این، درون یابی اسپلاین مکعبی یک مورد خاص از درون یابی اسپلاین است که اغلب برای جلوگیری از مشکل پدیده رانگ استفاده می شود. یک چند جمله ای درون یابی می دهد که صاف تر و خطای کمتری نسبت به چند جمله ای های درون یابی دیگر دارد. بنابراین، یک منحنی اسپلاین مکعبی [ 44] برای بازیابی مقادیر TEC گمشده محاسبه شده توسط BKM استفاده می شود. سپس، مقادیر TEC در چین با استفاده از روشی که در بخش 2.3 توضیح داده شده است، تعیین می‌شوند .

میانگین سوگیری آماری برای DOY 101، 2011 بین BKM یا SKM و DM با در نظر گرفتن N دوره گمشده برای هر یک از شش روز گذشته در چین تعیین می‌شود. نتایج مربوطه در شکل 3 و شکل 4 نشان داده شده است .

شکل 3 نشان می دهد که توزیع سوگیری ها بین BKM و DM با دوره های مختلف گم شده در چین تقریباً یکسان است. سوگیری ها بین -4 TEcu و 7 TEcu هستند. در بین این بایاس ها، بزرگترین بایاس تقریباً 6.80 TECu است که در ایستگاه XIAN ظاهر می شود. کمترین سوگیری تقریباً -3.40 TECU است که در ایستگاه KUNM ظاهر می شود.

شکل 4 نشان می دهد که سوگیری های SKM با افزایش تعداد دوره های از دست رفته، صرف نظر از اینکه چه مقدار از دوره برای هر یک از شش روز قبل از دست رفته است، اندکی تغییر می کند. بایاس ها در محدوده -5 TEcu تا 1 TEcu تغییر می کنند. در این محدوده، بزرگترین تقریباً 0.50 TEcu است که در ایستگاه GUAO مشاهده شد. کمترین مقدار تقریباً -4.33 TECu است که در ایستگاه KUNM مشاهده شد. بایاس سایر ایستگاه ها از تقریباً 1- TEcu تا 0.50 TEcu متغیر است. نتایج تصحیح SKM در مقایسه با BKM به طور قابل توجهی بهبود یافته است، صرف نظر از اینکه چه مقدار از هر دوره در مقایسه با نتایج شکل 3 وجود ندارد.. علاوه بر این، سوگیری های مطلق در LHAZ، KUNM و TWTF بزرگتر از هر ایستگاه دیگر است. این ممکن است ناشی از ناهنجاری یونیزاسیون استوایی [ 45 ] باشد.

ما می توانیم از شکل 3 و شکل 4 یاد بگیریم که نتیجه تصحیح SKM برای چین در مقایسه با BKM به طور قابل توجهی بهبود یافته است. با این حال، این رویکرد نمی تواند نتیجه اصلاح یونوسفر هر دوره زمانی را منعکس کند. بنابراین، این مطالعه نتایج تصحیح را از ایستگاه IRKJ (LT = UT + 7)، ایستگاه CHAN (LT = UT + 8)، ایستگاه LHAZ (LT = UT + 6) و PIMO (LT = UT + 8) شمارش می کند. ) ایستگاهی که N دوره برای هر یک از شش روز گذشته وجود ندارد. شکل 5 نتایج آماری را نشان می دهد.

شکل 5نشان می‌دهد که SKM با داده‌های DM به خوبی هم در عرض جغرافیایی پایین و هم در عرض جغرافیایی میانی زمانی که هیچ دوره‌ای گم نشده است، مطابقت دارد. این نشان می دهد که SKM می تواند تغییرات زمانی یونوسفر را به ویژه در شب بهتر منعکس کند. علاوه بر این، سوگیری بین SKM و DM در بسیاری از شرایط تقریباً 3± TECu است. SKM دقت نسبتا بالایی با DM دارد. با کاهش عرض جغرافیایی، سوگیری ها افزایش می یابد. در عرض جغرافیایی پایین، سوگیری ها بزرگتر از عرض جغرافیایی میانی است. هنگامی که N دوره در داده‌های مشاهده وجود ندارد، دقت تصحیح یونوسفر SKM همچنین می‌تواند داده‌های DM را هم در عرض جغرافیایی پایین و هم در عرض جغرافیایی میانی به خوبی تطبیق دهد. علاوه بر این، SKM می تواند تغییرات زمانی را به ویژه در شب بهتر منعکس کند. این نشان می‌دهد که دقت تصحیح SKM با N دوره از دست رفته کمتر از SKM با هیچ دوره‌ای از دست رفته نیست و می‌تواند تغییرات زمانی یونوسفر را با وجود دوره گمشده، بهتر منعکس کند. در غیر این صورت، در طول حداکثر تغییر کمی دارد. این رفتار ممکن است ناشی از تغییرات زمانی متفاوت یونوسفر نزدیک به حداکثر باشد. این بر نتایج پیش‌بینی بایاس تأثیر می‌گذارد و مقادیر برازش تقریب‌های SKM را نزدیک به حداکثر می‌کند.

برای نشان دادن بیشتر نتایج تصحیح SKM بدون دوره از دست رفته و با N دوره از دست رفته، این مطالعه میانگین نتایج تصحیح BKM، SKM بدون دوره از دست رفته و SKM با N دوره از دست رفته را برای هر دوره زمانی برای ایستگاه IRKJ، CHAN شمارش می‌کند. ایستگاه، ایستگاه LHAZ و ایستگاه PIMO. نتایج آماری در جدول 1 نشان داده شده است .

میز 1نشان می دهد که نتایج تصحیح SKM به طور قابل توجهی در مقایسه با نتایج BKM بهبود یافته است که هیچ دوره ای وجود ندارد. علاوه بر این، نتایج اصلاح یونوسفر در عرض جغرافیایی میانی بهتر از نتایج در عرض جغرافیایی پایین است. علاوه بر این، نتایج اصلاح یونوسفر با افزایش عرض جغرافیایی افزایش می‌یابد. در ناحیه عرض جغرافیایی پایین (PIMO)، نرخ اصلاحی SKM بدون هیچ دوره‌ای از دست رفته تقریباً 30 درصد نسبت به BKM بهبود یافت، در حالی که RMSE نزدیک به 3 TECu در طول روز بهبود یافت. در شب، نرخ اصلاحی نزدیک به 30٪ بهبود یافت، در حالی که RMSE نزدیک به 5 TECU بهبود یافت. در ناحیه عرض جغرافیایی میانی (IRKJ، CHAN، LHAZ)، نرخ اصلاحی SKM بدون دوره از دست رفته تقریباً 20٪ در مقایسه با BKM بهبود یافت، در حالی که RMSE نزدیک به 6 TECu در طول روز بهبود یافت. در شب، نرخ اصلاحی نزدیک به 30٪ بهبود یافته است. در حالی که RMSE نزدیک به 8 TEcu بهبود یافته است. با وجود برخی از دوره‌ها از دست رفته، نتایج تصحیح یونوسفر SKM تقریباً مشابه نتایج SKM است و هیچ دوره‌ای هم در عرض جغرافیایی پایین و هم در عرض جغرافیایی متوسط وجود ندارد، صرف نظر از اینکه چند دوره از دست رفته است. در میان آنها، نرخ اصلاحی بین -0.5٪ و 0.5٪ تغییر می کند، با تعداد کمی از دوره ها بیش از -1٪ به 1٪ تغییر می کند. RMSE بین -0.1 TEcu و 0.1 TEcu تغییر می کند، با تعداد کمی از دوره ها با بیش از -0.2 TEcu به 0.2 TEcu تغییر می کند. با تعداد کمی از دوره های تغییر بیش از -1٪ تا 1٪. RMSE بین -0.1 TEcu و 0.1 TEcu تغییر می کند، با تعداد کمی از دوره ها با بیش از -0.2 TEcu به 0.2 TEcu تغییر می کند. با تعداد کمی از دوره های تغییر بیش از -1٪ تا 1٪. RMSE بین -0.1 TEcu و 0.1 TEcu تغییر می کند، با تعداد کمی از دوره ها با بیش از -0.2 TEcu به 0.2 TEcu تغییر می کند.

نرخ اصلاحی عرض جغرافیایی پایین بهتر از عرض جغرافیایی متوسط است. با این حال، RMSE عرض جغرافیایی پایین بدتر از عرض جغرافیایی متوسط در طول دوره زمانی حداکثر مقادیر است. این پدیده در جدول 1 نشان داده شده است . این ممکن است به دلیل تأثیر مستقیم خورشید رخ دهد. با این تأثیر، VTEC بیش از ایستگاه ها در مناطق عرض جغرافیایی پایین بزرگتر از مناطق با عرض جغرافیایی متوسط است. این باعث می شود که سوگیری بین BKM و SKM بزرگتر از عرض جغرافیایی میانی باشد. بنابراین، نرخ اصلاحی در عرض جغرافیایی پایین بیشتر است، در حالی که مقدار RMSE کوچکتر است. در غیر این صورت، مقدار نرخ تصحیح منفی در شب رخ می دهد، همانطور که در جدول 1 نشان داده شده است. این ممکن است ناشی از مقدار تاخیر ثابت یونوسفر در شب باشد. همچنین می تواند نشان دهد که مقدار تاخیر ثابت یونوسفر در شب نمی تواند به طور دقیق تغییرات زمانی در شب را منعکس کند.

ما همچنین می‌توانیم از جدول 1 مشاهده کنیم که نتایج تصحیح یونوسفر SKM با N دوره از دست رفته تقریباً مشابه نتایج SKM بدون هیچ دوره‌ای است. با این حال، یک تفاوت جزئی باقی می ماند. این نشان می‌دهد که اگرچه روش منحنی اسپلاین مکعبی مزیت خود را در ثابت بودن زمان دارد، نتایج عدم تغییر هنوز تفاوت کمی با داده‌های مشاهده نشان می‌دهند. هنگامی که یک دوره از دست رفته است، تفاوت ممکن است منجر به نتایج تصحیح SKM با یک دوره از دست رفته و SKM بدون دوره از دست رفته برای نشان دادن سوگیری شود. سوگیری ممکن است تصادفی باشد.

اخیراً، بسیاری از کاربران GPS/GNSS از گیرنده‌های دو فرکانس یا حتی گیرنده‌های چند فرکانس استفاده کرده‌اند و ایستگاه‌های مرجع با کار مداوم (CORS) به طور گسترده در بسیاری از شهرها استفاده شده است. این وضعیت به دست آوردن داده های مشاهده فرکانس دوگانه را ممکن و آسان می کند. با این داده ها، محاسبه مقادیر TEC راحت است. علاوه بر این، سوگیری اصلاحی را می توان یک بار در روز به روز کرد. بنابراین، هنگامی که کاربران از گیرنده‌های تک فرکانس برای انجام اندازه‌گیری‌های ایستا با خط پایه کوتاه استفاده می‌کنند، داده‌های مشاهده به دلیل تغییر ناگهانی محیط اطراف یا فعالیت خورشیدی از دست می‌رود. روش منحنی spline مکعبی را می توان برای تعمیر داده های مشاهده استفاده کرد. با این رویکرد، مقادیر TEC از دست رفته را می توان بازیابی کرد. SKM می تواند به عنوان یک درمان پس از اصلاح برای پرداختن به مقدار تاخیر یونوسفر برای بهبود دقت محاسبه پایه استفاده شود. علاوه بر این، هنگامی که گیرنده های تک فرکانس وارد CORS می شوند، گیرنده های تک می توانند مقدار تصحیح را در زمان واقعی بدست آورند. این رویکرد می تواند حجم کاری گیرنده ها را کاهش دهد و کارایی کار را بهبود بخشد.

4. نتیجه گیری

این مطالعه از داده‌های مشاهداتی از DOY 095 تا 101 در سال 2011 استفاده کرد که توسط ایستگاه‌های IGS در داخل و اطراف منطقه چین برای به دست آوردن یک مدل بهبودیافته ارائه شد. در این رویکرد، BKM و DM برای محاسبه مقادیر TEC هر روز استفاده می شود. مقدار TEC شش روز قبل به عنوان داده ورودی در نظر گرفته می شود. مدل هموارسازی نمایی Holt-Winters برای پیش‌بینی سوگیری بین BKM و DM روز هفتم استفاده می‌شود. نتایج پیش‌بینی برای بهبود BKM استفاده می‌شود. علاوه بر این، برخی از دوره‌ها ممکن است به دلیل موقعیت‌های خاص، مانند تغییر ناگهانی محیط اطراف یا فعالیت خورشید، در عمل غایب باشند. بنابراین، برخی از دوره ها به طور تصادفی حذف می شوند. پس از مقایسه SKM بدون دوره از دست رفته با SKM با دوره از دست رفته با DM از طریق آزمایش ها و تجزیه و تحلیل نتایج، به نتایج زیر رسیدیم:

(1): SKM بدون دوره از دست رفته و SKM با یک دوره از دست رفته بهتر می تواند با روند DM مطابقت داشته باشد. SKM می تواند تغییرات زمانی یونوسفر را به خصوص در شب بهتر منعکس کند.
(2): نتایج تصحیح تاخیر یونوسفر با افزایش عرض جغرافیایی افزایش می یابد. تمام نتایج تصحیح تاخیر یونوسفر در مقایسه با نتایج BKM در طول روز بهبود یافته است. با این حال، در شب، نتایج اصلاح به طور قابل توجهی در مقایسه با نتایج BKM بهبود می یابد. این یافته نشان دهنده اعتبار این روش برای بهبود BKM است.
(3): روش منحنی spline مکعبی برای تعمیر داده‌های دوره از دست رفته زمانی که داده‌های مشاهده در برخی موقعیت‌ها یک دوره از دست رفته دارند استفاده می‌شود. سپس، SKM بهبود می یابد. همچنین می تواند نتیجه قابل توجهی به همراه داشته باشد. نتایج تصحیح تأخیر یونوسفر تقریباً مشابه نتایج SKM است که هیچ دوره‌ای از دست رفته نیست، تنها با یک تفاوت جزئی باقی مانده است. این تفاوت ممکن است تصادفی باشد.

تجزیه و تحلیل ارائه شده در اینجا نتایج یک روز چین را نشان می دهد. نتیجه گیری ما ممکن است با دوره زمانی و منطقه محدود شود. ما قصد داریم همان تجزیه و تحلیل را به یک دوره زمانی بزرگتر و یک منطقه بزرگتر گسترش دهیم تا به طور گسترده عملکرد الگوریتم SKM را تأیید کنیم. علاوه بر این، ما تأثیر ناشی از به روز رسانی هشت ضریب پخش GPS را تجزیه و تحلیل خواهیم کرد، به ویژه برای مواردی که تنوع زیادی از این ضرایب وجود دارد.

منابع

ژانگ، آر. آهنگ، WW; یائو، YB; شی، سی. لو، وای. یی، مدل‌سازی WT تاخیر یونوسفر منطقه‌ای با مشاهدات زمینی BeiDou و GPS در چین. راه حل GPS. 2015 ، 19 ، 649-658. [ Google Scholar ] [ CrossRef ]
ارچا، ا. هوانگ، WG; لیو، اس کیو. شی، ال کیو; گونگ، جی سی. چن، YH; Shen, H. یک تکنیک نقشه برداری TEC یونوسفر منطقه ای در چین و مناطق مجاور: پردازش داده های GNSS و تجزیه و تحلیل DINEOF. علمی چین اطلاع دهید. علمی 2015 ، 58 ، 1-11. [ Google Scholar ] [ CrossRef ]
ژائو، QL; وانگ، جی ایکس؛ لیو، ZZ; هو، ZG; دای، ZQ; لیو، JN تجزیه و تحلیل اندازه‌گیری‌های ماهواره‌ای BeiDou با چند مسیر کد و ترکیب‌های بدون یونوسفر بدون هندسه. Sensors 2016 , 16 , 123. [ Google Scholar ] [ CrossRef ] [ PubMed ]
هرناندز-پاجارس، م. Juan، JM; سانز، جی. آراگون-آنجل، آ. گارسیا ریگو، آ. سالازار، دی. Escudero, M. یونوسفر: اثرات، مدل‌سازی GPS و مزایای تکنیک‌های ژئودتیک فضایی. جی. جئود. 2011 ، 85 ، 887-907. [ Google Scholar ] [ CrossRef ]
Klobuchar، الگوریتم تاخیر زمانی یونوسفر JA برای کاربران GNSS تک فرکانس. IEEE Trans. هوانوردی الکتریک سیستم 1987 ، 23 ، 325-331. [ Google Scholar ] [ CrossRef ]
کمیسیون اروپایی. GNSS اروپا (گالیله) سرویس باز-الگوریتم تصحیح یونوسفر برای کاربران تک فرکانس گالیله . شماره 1.2; کمیسیون اروپا: بروکسل، بلژیک، 2016. [ Google Scholar ]
دفتر ناوبری ماهواره ای چین (CSNO). سیگنال سیستم ماهواره ای ناوبری BeiDou در سند کنترل رابط فضایی- سیگنال سرویس باز B1I (نسخه 2.0) ; CSNO: پکن، چین، 2012. [ Google Scholar ]
اسکن، اس. یوسف، ر. Coster، A. ارزیابی عملکرد سیستم افزایش سطح وسیع برای رویدادهای طوفان یونوسفر. Positioning 2004 , 3 , 251-258. [ Google Scholar ] [ CrossRef ]
Migoya-Orué، Y.; ناوا، بی. رادیسلا، اس. آلازو-کوارتاس، K. GNSS دریافت داده های TEC به IRI 2012. Adv. Space Res. 2015 ، 55 ، 29-41. [ Google Scholar ] [ CrossRef ]
دانیل، RE; براون، LD; اندرسون، دی.ان. فاکس، مگاوات؛ Doherty، PH; دکر، DT; Sojka، JJ; Schunk، RW مدل یونوسفر پارامتریزه شده: یک پارامتر یونوسفر جهانی بر اساس مدل های اصول اولیه. علوم رادیویی 1995 ، 30 ، 1499-1510. [ Google Scholar ] [ CrossRef ]
شیانگ، ی. یوان، YB؛ Li، ZS; Wang، NB تجزیه و تحلیل و اعتبار سنجی نقشه های مختلف جهانی یونوسفر (GIMs) در چین. Adv. Space Res. 2015 ، 55 ، 199-210. [ Google Scholar ] [ CrossRef ]
آنگریسانو، آ. گاگلیون، اس. جویا، سی. ماسارو، ام. Troisi, S. مزایای نسخه NeQuick Galileo در موقعیت یابی تک نقطه ای GNSS. بین المللی جی. ناویگ. Obs. 2013 ، 2013 ، 302947. [ Google Scholar ] [ CrossRef ]
وانگ، NB; یوان، YB؛ Li، ZS; Huo، XL تأثیر تصحیح یونوسفر در موقعیت یابی GNSS تک فرکانس. در کنفرانس ناوبری ماهواره ای چین (CSNC) 2013 مجموعه مقالات ; Springer: برلین/هایدلبرگ، آلمان، 2013; ص 471-486. [ Google Scholar ]
Hoque, MM; Jakowski، N. یک مدل اصلاح یونوسفر جایگزین برای سیستم های ماهواره ای ناوبری جهانی. جی. جئود. 2014 ، 89 ، 391-406. [ Google Scholar ] [ CrossRef ]
وانگ، NB; یوان، YB؛ Li، ZS; Huo، XL بهبود مدل Klobuchar برای اصلاحات تاخیر یونوسفر تک فرکانس GNSS. Adv. Space Res. 2016 ، 57 ، 1555-1569. [ Google Scholar ] [ CrossRef ]
Li، ZS; یوان، YB؛ وانگ، NB; هرناندز-پاجارس، م. Huo, XL SHPTS: به سمت روشی جدید برای تولید نقشه TEC یونوسفر جهانی دقیق بر اساس توابع سری مثلثاتی کلی و هارمونیک کروی. جی. جئود. 2015 ، 89 ، 331-345. [ Google Scholar ] [ CrossRef ]
هرناندز-پاجارس، م. Juan، JM; سانز، جی. اوروس، آر. گارسیا-ریگو، آ. فلتنز، ج. کومجاتی، ا. Schaer, SC; Krankowski، A. نقشه های IGS VTEC: منبع قابل اعتماد اطلاعات یونوسفر از سال 1998. J. Geod. 2009 ، 83 ، 263-275. [ Google Scholar ] [ CrossRef ]
گولیاوا، TL; آریکان، ف. هرناندز-پاجارس، م. استانیسلاوسکا، I. سیستم ارزیابی و پیش بینی آب و هوای یونوسفر تطبیقی GIM-TEC. J. Atmos. سول ترس فیزیک 2013 ، 102 ، 329-340. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Macalalad، EP; تسای، ال سی؛ وو، جی. لیو، CH کاربرد مدل یونوسفر تایوان برای اصلاحات تاخیر یونوسفر تک فرکانس برای موقعیت یابی GPS. راه حل GPS. 2011 ، 17 ، 337-346. [ Google Scholar ] [ CrossRef ]
کومجاتی، الف. نقشه برداری محتوای الکترونی کل یونوسفر جهانی با استفاده از سیستم موقعیت یابی جهانی . دانشگاه نیوبرانزویک: فردریکتون، NB، کانادا، 1997. [ Google Scholar ]
لیو، ZZ; یانگ، Z. ناهنجاری در ضرایب یونوسفر پخش ثبت شده توسط گیرنده های GPS در دو چرخه خورشیدی گذشته (1992-2013). راه حل GPS. 2015 ، 20 ، 23-37. [ Google Scholar ] [ CrossRef ]
داچ، آر. براکمن، ای. شایر، اس. بیتلر، جی. مایندل، ام. Prange، L. پردازش GNSS در CODE: گزارش وضعیت. جی. جئود. 2009 ، 83 ، 353-365. [ Google Scholar ] [ CrossRef ]
یوان، YB؛ هوو، ایکس. او، JK; ژانگ، KF; چای، YJ; ون، دی بی. گرنفل، آر. پالایش ضرایب یونسفری کلوبوچار بر اساس مشاهدات GPS. IEEE Trans. هوانوردی الکتریک سیستم 2008 ، 44 ، 1498-1510. [ Google Scholar ] [ CrossRef ]
Wu، XL; هو، XG; وانگ، جی. ژونگ، اچ جی. تانگ، CP ارزیابی مدل یونوسفر COMPASS در موقعیت یابی GNSS. Adv. Space Res. 2013 ، 51 ، 959-968. [ Google Scholar ] [ CrossRef ]
رتیکا، تی. میشا، س. نیرمالا، اس. Rathnakara, SC; گانشان، AS تصحیح خطای یونوسفر تک فرکانس با استفاده از ضرایب تولید شده از داده های یونوسفر منطقه ای برای IRNSS. هندی J. رادیو فضایی فیزیک. 2013 ، 43 ، 125-130. [ Google Scholar ]
فیلجار، ر. کوس، مدل محلی TKS Klobuchar مانند آب و هوای فضایی آرام، تأخیر یونوسفر GPS برای شمال آدریاتیک. جی. ناویگ. 2009 ، 62 ، 543-554. [ Google Scholar ] [ CrossRef ]
هان، ال. ژانگ، اچ پی؛ هوانگ، YD; وانگ، من؛ زو، وای؛ Ping، JS بهبود مدل تاخیر یونسفری نوع Klobuchar با استفاده از GPS TEC دو بعدی در چین. در مجموعه مقالات سی و ششمین مجمع علمی COSPAR، پکن، چین، 16 تا 23 ژوئیه 2006.
گائو، ی. Liu، ZZ مدل‌سازی یونوسفر دقیق با استفاده از داده‌های شبکه GPS منطقه‌ای. موقعیت یابی 2010 ، 1 ، 18-24. [ Google Scholar ] [ CrossRef ]
هانسن، ا. بلانچ، جی. والتر، T. تجزیه و تحلیل تصحیح یونوسفر برای WAAS آرام و طوفانی. در مجموعه مقالات سیزدهمین نشست فنی بین المللی بخش ماهواره ای موسسه ناوبری (ION GPS 2000)، سالت لیک سیتی، UT، ایالات متحده آمریکا، 19 تا 22 سپتامبر 2000.
Hatch, R. Synergism کد GPS و اندازه گیری حامل. در مجموعه مقالات سومین سمپوزیوم بین المللی ژئودتیک در مورد موقعیت یابی داپلر ماهواره ای، دانشگاه ایالتی نیومکزیکو، لاس کروسس، NM، ایالات متحده آمریکا، 8-12 فوریه 1982.
هاچ، R. دیفرانسیل دینامیک GPS در سطح سانتی متر. در مجموعه مقالات چهارمین سمپوزیوم بین المللی ژئودتیک در موقعیت یابی ماهواره، آستین، تگزاس، ایالات متحده آمریکا، 28 آوریل تا 2 می 1986.
لاشاپل، جی. هاگگلند، جی. آزمایش های موقعیت یابی سینماتیک زمینی فالکنبرگ، W. GPS. در مجموعه مقالات چهارمین سمپوزیوم بین المللی ژئودتیک در موقعیت یابی ماهواره، آستین، تگزاس، ایالات متحده آمریکا، 28 آوریل تا 2 می 1986.
لیو، ZZ; گائو، Y. توموگرافی یونوسفر با استفاده از اندازه‌گیری‌های GPS. در مجموعه مقالات سمپوزیوم بین المللی در مورد سیستم های سینماتیک در ژئودزی، ژئوماتیک و ناوبری، Banff، AB، کانادا، 5-8 ژوئن 2001.
ساردون، ای. ریوس، ا. Zarraoa، N. برآورد بایاس های دیفرانسیل فرستنده و گیرنده و کل الکترون یونوسفر از مشاهدات سیستم موقعیت یابی جهانی. علوم رادیویی 1994 ، 29 ، 577-586. [ Google Scholar ] [ CrossRef ]
کومجاتی، ا. لانگلی، RB اثر ارتفاع پوسته بر مدل‌سازی یونوسفر با دقت بالا با استفاده از GPS. در مجموعه مقالات کارگاه IGS 1996، سیلور اسپرینگ، MD، ایالات متحده آمریکا، 19 تا 21 مارس 1996.
کومجاتی، ا. ویلسون، BD; Runge، TF یک مدل یونوسفر جدید برای GPS دیفرانسیل منطقه وسیع: رویکرد چند پوسته. در مجموعه مقالات نشست فنی ملی موسسه ناوبری، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 28 تا 30 ژانویه 2002.
مانوچی، ای جی؛ ویلسون، BD; یوان، DN; هو، CH; Lindqwister، UJ; Runge، TF یک تکنیک نقشه برداری جهانی برای اندازه گیری محتوای الکترون کل یونوسفر مشتق از GPS. علوم رادیویی 1998 ، 33 ، 565-582. [ Google Scholar ] [ CrossRef ]
Acob، NY; عبدالله، م. اسماعیل، م. تعیین محتوای کل الکترون GPS با استفاده از تابع نگاشت یونوسفر مدل تک لایه (SLM). بین المللی جی. کامپیوتر. علمی شبکه امن 2008 ، 8 ، 154-169. [ Google Scholar ]
Holt، CC پیش‌بینی فصلی و روندها با میانگین‌های متحرک وزن‌دار نمایی. بین المللی J. پیش بینی. 2004 ، 20 ، 5-10. [ Google Scholar ] [ CrossRef ]
ورومان، پ. شادی، م. Rabenasolo، B. انطباق فازی مدل Holt-Winter برای پیش بینی فروش نساجی. J. متن. Inst. 1998 ، 89 ، 78-89. [ Google Scholar ] [ CrossRef ]
کامران راد، ر. امیری، الف. نمودار کنترلی مبتنی بر هولت-زمستان قوی برای نظارت بر پروفایل های خطی ساده همبسته خودکار با داده های آلوده. علمی ایران. 2016 ، 23 ، 1345–1354. [ Google Scholar ]
کاظم پور، MK Stationary Forecasting; استفاده از Holt-Winter و اصلاح Holt-Winter. بیوم. J. 2007 , 32 , 347-356. [ Google Scholar ] [ CrossRef ]
اسمیت، WHF; Wessel, P. Gridding با خطوط انحنای پیوسته در کشش. ژئوفیزیک 2012 ، 55 ، 293-305. [ Google Scholar ] [ CrossRef ]
رابینسون، نماینده مجلس؛ Fairweather، G. راه حل هم‌آهنگی متعامد مکعبی برای مشکلات انتشار موج صوتی زیر آب. جی. کامپیوتر. آکوست. 2012 ، 1 ، 355-370. [ Google Scholar ] [ CrossRef ]
پل، KS; داس، ا. ری، اس. Paul, A. ویژگی های محتوای الکترون کل (TEC) مشاهده شده از زنجیره ای از ایستگاه ها در نزدیکی تاج شمالی ناهنجاری یونیزاسیون استوایی (EIA) در امتداد نصف النهار 88.5 درجه شرقی در هند. J. Atmos. سول ترس فیزیک 2015 ، 137 ، 17-28. [ Google Scholar ] [ CrossRef ]

شکل 1. توزیع ایستگاه های IGS در داخل و اطراف چین برای ایجاد مدل پیچیده مورد استفاده قرار گرفت.

شکل 2. ( الف ) توزیع میانگین مقدار VTEC DM در منطقه چین برای DOY 101، 2011. ( ب ) توزیع میانگین ارزش VTEC BKM در منطقه چین برای DOY 101، 2011. ( ج ) توزیع میانگین ارزش VTEC SKM در منطقه چین برای DOY 101، 2011. ( د ) توزیع میانگین تعصب بین BKM و DM در منطقه چین برای DOY 101، 2011. و ( ه ) توزیع تعصب متوسط بین SKM و DM در منطقه چین. رنگ نشان دهنده درجه سوگیری برای DOY 101، 2011 است.

شکل 3. توزیع تعصبات میانگین برای DOY 101، 2011 بین BKM و DM در چین زمانی که ( a ) 480 دوره; ( ب ) 960 دوره; ( ج ) 1440 دوره; ( د ) دوره های 1920; و ( ه ) 2400 دوره برای هر یک از شش روز گذشته وجود ندارد. رنگ نشان دهنده درجه تعصب است.

شکل 4. توزیع میانگین سوگیری ها برای DOY 101، 2011 بین SKM و DM در چین زمانی که ( a ) 480 دوره; ( ب ) 960 دوره; ( ج ) 1440 دوره; ( د ) دوره های 1920; و ( ه ) 2400 دوره از دست رفته است. رنگ نشان دهنده درجه تعصب است.

شکل 5. تغییرات روزانه TEC عمودی در برخی از ایستگاه ها. بالا سمت چپ: ایستگاه CHAN. بالا سمت راست: ایستگاه IRKJ. پایین سمت چپ: ایستگاه PIMO. پایین سمت راست: ایستگاه LHAZ. خطوط آبی مقادیر VTEC BKM را نشان می دهد. خطوط سیاه نشان دهنده مقادیر VTEC SM است. خطوط قرمز نشان دهنده مقادیر VTEC SKM بدون هیچ دوره ای از دست رفته است. خطوط سبز نشان دهنده مقادیر VTEC SKM با 480 دوره از دست رفته است. خطوط بنفش نشان دهنده مقادیر VTEC SKM با 960 دوره از دست رفته است. خطوط سبز بطری نشان دهنده مقادیر VTEC SKM با 1400 دوره از دست رفته است. خطوط قهوه ای نشان دهنده مقادیر VTEC SKM با 1920 دوره از دست رفته است. خطوط صورتی نشان دهنده مقادیر VTEC SKM با 2400 دوره از دست رفته است.

جدول 1. آمار نرخ اصلاحی و RMSE برای هر دوره زمانی با BKM، SKM و SKM با N دوره از دست رفته برای هر یک از شش روز قبل.

© 2017 توسط نویسندگان. دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC BY) ( http://creativecommons.org/licenses/by/4.0/ ) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب