Geri Dön

Forecasting global ionospheric total electron content with deep learning algorithms

Derin öğrenme algoritmaları ile küresel iyonosferik toplam elektron içeriği tahmini

PDF İndir

  1. Tez No: 1003806
  2. Yazar: KARDELEN KAYA
  3. Danışmanlar: DOÇ. DR. METİN NOHUTCU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Harita mühendisliği, Map engineering
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

İyonosfer, yeryüzünün yaklaşık 50 ile 1000 kilometre yukarısında yer alan bir atmosfer katmanıdır ve elektromanyetik dalgaların yayılımını doğrudan etkiler. Bu bölgede, serbest elektronlar, Güneş'ten gelen ultraviyole ve X-ışını ışınımının nötr atomları iyonlaştırmasıyla oluşur ve bu durum GNSS sinyallerinde sinyal gecikmelere ve faz hatalarına neden olur. Bu etkiler, birim kesit alanı boyunca bulunan toplam elektron sayısını temsil eden Toplam Elektron İçeriği (TEC) ile ilişkilidir. TEC; yerel zaman, mevsim, coğrafi konum, güneş aktivitesi ve jeomanyetik bozulmalar gibi faktörlere bağlı olarak değişkenlik gösterir. TEC'in doğru şekilde izlenmesi ve tahmin edilmesi, uydu navigasyonu, iletişim sistemleri, uzay havası takibi, astronomi ve depremlerle ilgili çalışmalarda iyonosferin davranışının modellenmesi açısından önem taşır. Bu tez, küresel Dikey Toplam Elektron İçeriği (VTEC) tahminini iyileştirmeye yönelik farklı veri temsilleri ve modelleme yaklaşımlarının karşılaştırmalı bir incelemesini sunmaktadır. Çalışmada iki temel yaklaşım ele alınmıştır. İlk yaklaşım, küresel iyonosferik VTEC dağılımını kompakt ve matematiksel bir biçimde temsil eden, derece ve mertebesi 15 ile sınırlandırılmış küresel harmonik katsayı (SHC) tabanlı gösterime dayanmaktadır. İkinci yaklaşım ise, küresel VTEC alanını, 2,5° × 5° mekânsal çözünürlüğe sahip grid-tabanlı Küresel İyonosfer Haritaları (GIM) kullanarak, hem Dünya-sabit hem de Güneş-sabit referans çerçevelerinde enlem–boylam uzayında temsil etmektedir. Çalışmada, Uluslararası GNSS Servisi (IGS) bünyesinde faaliyet gösteren CODE analiz merkezi tarafından 2015–2025 yılları arasında yayımlanan saatlik grid-tabanlı GIM verileri ile bunlara karşılık gelen küresel harmonik katsayı veri setleri kullanılmıştır. VTEC ve SHC verilerine ek olarak, güneşe ait ve jeomanyetik değişkenlikleri temsil etmek amacıyla Kp, Ap, Dst ve F10.7 indeksleri ile güneş lekesi sayısı (R) yardımcı girdi özellikleri olarak modele dahil edilmiştir. Tüm modeller, saatlik çözünürlükte 72 saatlik girdi penceresi kullanılarak 24 saatlik VTEC tahmininin üretildiği kısa vadeli çok-adımlı bir tahmin senaryosu altında uygulanmıştır. Tahmin performansı, Ortalama Mutlak Hata (MAE), Karekök Ortalama Kare Hata (RMSE) ve Simetrik Ortalama Mutlak Yüzde Hata (sMAPE) ölçütleri kullanılarak nicel olarak değerlendirilmiştir. Bu çalışma, küresel VTEC tahminini üç aşamalı bir çerçeve kapsamında ele almakta ve farklı veri temsilleri, girdi konfigürasyonları ve modelleme yaklaşımlarını değerlendirmektedir. Birinci aşamada, farklı veri temsillerinin tahmin performansı üzerindeki etkisini analiz etmek amacıyla, mimarisi sabit tutulan derin öğrenme tabanlı bir Sequence-to-Sequence Gated Recurrent Unit (Seq2Seq GRU) modeli kullanılmıştır. Analiz sonuçları, SHC tabanlı temsilin, hem Yer-sabit hem de Güneş-sabit grid-tabanlı VTEC temsillerine kıyasla daha düşük tahmin hataları ürettiğini göstermektedir. SHC tabanlı yaklaşım 2,18 MAE, 4,92 RMSE ve %9,49 sMAPE değerlerine ulaşırken, Dünya-sabit grid-tabanlı temsil 3,05 MAE, 5,56 RMSE ve %13,91 sMAPE; Güneş-sabit grid-tabanlı temsil ise 2,56 MAE, 5,31 RMSE ve %11,01 sMAPE değerleri üretmiştir. Ayrıca, bu sonuçlar Güneş-sabit grid-tabanlı temsilin Dünya-sabit temsile kıyasla daha iyi performans sergilediğini göstermektedir. İkinci aşamada, birinci aşamada en iyi sonuçları veren SHC tabanlı temsil kullanılarak farklı girdi pencere uzunlukları ve özellik konfigürasyonlarının model performansına etkisi incelenmiştir. Bu kapsamda, farklı jeomanyetik indekslerin ayrı ayrı test edildiği senaryolar ile 48 ve 120 saatlik alternatif girdi pencereleri kullanılarak oluşturulan konfigürasyonlar değerlendirilmiştir. Elde edilen sonuçlar, model performansının hem girdi özelliklerinin seçimine hem de zamansal düzenlenişine bağlı olduğunu göstermektedir. Bununla birlikte, birinci aşamada kullanılan model konfigürasyonu genel olarak en iyi performansı sağlamıştır. Üçüncü aşamada ise, ikinci aşamada en yüksek doğruluğu sağlayan SHC tabanlı veri temsili esas alınarak, Seq2Seq GRU, CNN-GRU, CNN-LSTM, Attention-GRU, Transformer-LSTM ve CNN-Attention-GRU gibi farklı derin öğrenme mimarileri, konvansiyonel bir istatistiksel yöntem olan SARIMA modeli ve CODE tarafından yayımlanan günlük VTEC tahminleri ile karşılaştırmalı olarak değerlendirilmiştir. Tüm senaryolarda en düşük tahmin hataları Seq2Seq GRU modeli tarafından elde edilmiştir. Genel olarak, derin öğrenme tabanlı modeller, konvansiyonel zaman serisi temelli SARIMA yaklaşımı ve CODE'un bir gün ileriye yönelik VTEC tahminlerine kıyasla daha düşük hata değerleri üretmiştir; özellikle Seq2Seq GRU modeli %9,49 sMAPE değerine ulaşırken, SARIMA için bu değer %21,76'ya ve CODE'un bir gün ileriye yönelik tahminleri için %23,92'ye yükselmektedir. Elde edilen bulgular, kısa vadeli küresel VTEC tahmininde model başarımının; veri temsili, giriş yapılandırması ve model mimarisinin birlikte optimize edilmesine bağlı olduğunu göstermektedir. Bu çalışma, GNSS konumlama, uzay hava durumu izleme ve iyonosfer kaynaklı hata analizlerine yönelik araştırmalara katkı sağlamayı amaçlamaktadır.

Özet (Çeviri)

The ionosphere is an atmospheric layer located between 50 and 1000 km above Earth's surface and directly affects the propagation of electromagnetic waves. In this region, free electrons form through the ionization of neutral atoms by solar ultraviolet and X-ray radiation, causing signal delays and phase errors in GNSS signals. These effects are associated with the Total Electron Content (TEC), which represents the number of electrons along a unit cross-sectional area. TEC varies with local time, season, geographic location, solar activity, and geomagnetic disturbances. Accurate monitoring and prediction of TEC are essential for modeling ionospheric behavior in satellite navigation, communication systems, space weather monitoring, astronomy, and earthquake-related studies. This thesis presents a comparative study of different data representations and modeling approaches for improving global Vertical Total Electron Content (VTEC) forecast. Two main approaches are considered. The first approach is based on a spherical harmonic coefficient (SHC) representation up to degree and order 15, which provides a compact and mathematical description of the global ionospheric VTEC distribution. The second approach represents the global VTEC field in latitude–longitude space using grid-based Global Ionosphere Maps (GIM) with a spatial resolution of 2.5° × 5°, in both Earth-fixed and Sun-fixed reference frames. The hourly grid-based GIM data published by the CODE analysis center under the International GNSS Service (IGS), together with the corresponding spherical harmonic coefficient datasets, are used for the 2015–2025 period in the study. In addition to the VTEC and SHC data, the Kp, Ap, Dst, and F10.7 indices, together with the sunspot number (R), are included as auxiliary input features to represent solar and geomagnetic variability. All models are conducted under a short-term multi-step forecasting scenario, in which 24-hour VTEC predictions are generated using a 72-hour input window at hourly resolution. Forecasting performance is quantitatively evaluated using the Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and Symmetric Mean Absolute Percentage Error (sMAPE) metrics. This study examines global VTEC prediction by applying a three-stage framework in which different data representations, input configurations, and modeling approaches are evaluated. In the first stage, a deep learning–based Sequence-to-Sequence Gated Recurrent Unit (Seq2Seq GRU) model with a fixed architecture is employed to analyze the impact of different data representations on forecast performance. The analysis results indicate that the SHC-based representation yields lower prediction errors compared to both grid-based Earth-fixed and Sun-fixed VTEC representations. The SHC-based approach achieves 2.18 MAE, 4.92 RMSE, and 9.49% sMAPE, whereas the Earth-fixed grid-based representation results in 3.05 MAE, 5.56 RMSE, and 13.91% sMAPE, and the Sun-fixed grid-based representation yields 2.56 MAE, 5.31 RMSE, and 11.01% sMAPE. In addition, these results show that the Sun-fixed grid-based representation outperforms the Earth-fixed grid-based representation. In the second stage, the impact of various input window lengths and feature configurations on model performance is analyzed using the SHC-based representation, which yields the best results in the first stage. Within this scope, scenarios in which different geomagnetic indices are tested individually, as well as configurations constructed using alternative input windows of 48 and 120 hours, are evaluated. The results indicate that model performance depends on both the selection and temporal arrangement of input features, although the model used in the first stage still yields the best overall performance. In the third stage, based on the SHC-based data representation that achieves the highest accuracy in the second stage, different deep learning architectures including Seq2Seq GRU, CNN-GRU, CNN-LSTM, Attention-GRU, Transformer-LSTM, and CNN-Attention-GRU are comparatively evaluated against the conventional statistical SARIMA model and the daily VTEC forecasts published by CODE. Across all scenarios, the lowest prediction errors are obtained by the Seq2Seq GRU model. Overall, deep learning–based models yield lower error levels compared to the conventional time-series–based SARIMA approach and CODE's one-day-ahead VTEC predictions; in particular, the Seq2Seq GRU model achieves a sMAPE of 9.49%, whereas the corresponding sMAPE values increase to 21.76% for SARIMA and 23.92% for CODE's one-day-ahead predictions. The findings indicate that model performance in short-term global VTEC forecasting depends on the combined optimization of data representation, input configuration, and model architecture.

Benzer Tezler

  1. Tez No

    694491

    Forecasting of global vertical total electron content based on trigonometric B-spline with long short term memory

    Trigonometrik B-spline tabanlı küresel dikey toplam elektron içeriğinin uzun kısa süreli bellek (LSTM) ile tahmini

    İREM YILDIZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Jeodezi ve FotogrametriHacettepe Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MURAT DURMAZ

  2. Tez No

    689788

    Derin öğrenme yöntemi ile iyonosferik tec değişimlerinin tahmin edilmesi

    Forecasting of ionospheric tec variations by deep learning method

    İSMAİL DEMİRYEGE

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Jeodezi ve FotogrametriHarran Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA ULUKAVAK

  3. Tez No

    312250

    Atmosferdeki yağışa dönüşebilir su buharı miktarının küresel konumlandırma sistemiyle ölçümünün değerlendirilmesi

    Evaluation of the measurement of the amount of precipitable water vapor in atmosphere with global positioning system

    BÜŞRA KAYMAKLI

    Yüksek Lisans

    Türkçe

    Türkçe

    2012

    Fizik ve Fizik Mühendisliğiİstanbul Kültür Üniversitesi

    Fizik Ana Bilim Dalı

    DOÇ. DR. AYŞEGÜL YILMAZ

  4. Tez No

    498424

    High-order ionospheric effects on GPS tropospheric and coordinate estimations

    GPS ile troposfer ve koordinat kestirimleri üzerindeki yüksek dereceli iyonosferik etkiler

    VOLKAN AKGÜL

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Jeodezi ve FotogrametriBülent Ecevit Üniversitesi

    Jeodezi ve Fotogrametri Ana Bilim Dalı

    PROF. DR. SHUANGGEN JIN

  5. Tez No

    201688

    Forecasting of the electromagnetic waves in ionized media related to aerospace applications

    Hava uzay uygulamalarında ilgili elektromanyetik parametrelerin öngörüsü

    EMRE ALTUNTAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2007

    Havacılık ve Uzay MühendisliğiOrta Doğu Teknik Üniversitesi

    Havacılık ve Uzay Mühendisliği Ana Bilim Dalı

    DR. YILDIRIM BAHADIRLAR

    PROF. DR. YURDANUR TULUNAY

Geri Dön