التنبؤ بتوزيع الإلكترونات الكلي في الغلاف الأيوني العالمي خلال فترات العواصف باستخدام تقنيات التعلم العميق: طريقة CNN-BiLSTM المختلطة

الملخص أصبح تطبيق التعلم العميق في التنبؤ بمعلمات الغلاف الأيوني بدقة عالية أحد المراكز الرئيسية في أبحاث الطقس الفضائي. في هذه الدراسة، تم اقتراح نموذج محسّن يسمى الشبكات العصبية الالتفافية المختلطة (CNN) - الذاكرة الطويلة والقصيرة المدى الثنائية (Bi-LSTM) لتنبؤ محتوى الإلكترونات الكلي في الغلاف الأيوني في المستقبل. تم تدريب النموذج باستخدام أطول سلسلة متاحة من خرائط الغلاف الأيوني العالمية-TEC (25 عامًا) وتم تقييم دقة تنبؤات العواصف الأيونية. تشير النتائج إلى أن استخدام TEC التاريخي في إطار الإشارة الشمسية الجغرافية كبيانات مدخلة يحقق دقة تنبؤ أعلى مقارنةً مع النظام الإحداثي الجيومركزي. بالإضافة إلى ذلك، من خلال مقارنة معلمات المدخلات المختلفة، لوحظ أن دمج مؤشرات Kp و ap و Dst كمدخلات للنموذج يحسن فعاليته بشكل كبير، لا سيما في التنبؤ على المدى الطويل حيث زادت R2 بنسبة 3.49% وانخفض خطأ الجذر التربيعي المتوسط بنسبة 13.48%. بالمقارنة مع الشبكات العصبية العميقة (DNN) ذات BiLSTM وCNN-BiLSTM، فإن نموذج CNN-BiLSTM المختلط لديه أعلى دقة في التنبؤ. يقترح ذلك استخدام وحدات CNN لمعالجة المعلومات المكانية، جنبًا إلى جنب مع دمج وحدات DNN لدمج المؤشرات geomagnetic لتصحيح النتائج. علاوة على ذلك، في التنبؤات قصيرة المدى، ينجح النموذج في التنبؤ بعملية تطور العواصف الأيونية بدقة. عند تمديد طول التنبؤ، على الرغم من وجود حالات من أخطاء التنبؤ، لا يزال النموذج يلتقط العملية الكاملة للعواصف الأيونية. علاوة على ذلك، فإن النتائج المتوقعة تتأثر بشكل كبير بخط الطول، وخط العرض المغناطيسي، والوقت المحلي.