پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 127 |
| تعداد شمارهها | 7,157 |
| تعداد مقالات | 76,944 |
| تعداد مشاهده مقاله | 155,091,669 |
| تعداد دریافت فایل اصل مقاله | 117,033,937 |
بهبود VTEC مدل تجربی IRI با استفاده از مشاهدات اختفای رادیویی COSMIC2 | ||
| فیزیک زمین و فضا | ||
| مقاله 1، دوره 52، شماره 1، خرداد 1405، صفحه 1-15 اصل مقاله (1.68 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jesphys.2026.396551.1007695 | ||
| نویسندگان | ||
| زهرا فرودی؛ یزدان عامریان* | ||
| گروه ژئودزی، دانشکده مهندسی نقشهبرداری، دانشگاه صنعتی خواجهنصیرالدینطوسی، تهران، ایران. | ||
| چکیده | ||
| از آنجایی که توزیع مکانی نامناسب دادههای ورودی سبب عدم قطعیت مدلهای تجربی یونوسفری در برخی از مناطق میشود، هدف این مقاله ارائه روشی جهت بهبود مدل مرجع بینالمللی یونوسفری (IRI) با استفاده از مشاهدات ماهواره اختفای رادیویی COSMIC2 است. روش پیشنهادی شامل دو بخش پسزمینه و تصحیحات میشود. مدل IRI-2020 بهعنوان مدل پسزمینه انتخاب و بخش تصحیحات با توابع پایه هارمونیک کروی تا درجه و مرتبه 15 مدلسازی شده است. نقشههای بهبودیافته بهدلیل توزیع مکانی اندازهگیریهای COSMIC2، محدوده عرضجغرافیایی 30 درجه جنوبی الی 30 درجه شمالی را در برمیگیرند. همچنین، این نقشهها دارای قدرت تفکیک مکانی 5 درجه در راستای طولجغرافیایی و 5/2 درجه در راستای عرضجغرافیایی و قدرت تفکیک زمانی 2 ساعت میباشند. یافتن مجهولات هارمونیک کروی مستلزم حل یک مسئله معکوس و استفاده از روشهای پایدارسازی است. برای این منظور دو روش پایدارسازی مستقیم تیخونوف و تکراری کمترینمربعات کوادراتیک (LSQR) انتخاب شد. جهت ارزیابی نقشههای حاصل، از محتوای کلی الکترونی قائم (VTEC) ایستگاههای تعیین موقعیت جهانی (GPS) استفاده شده است. نتایج نشان داد که بهطور کلی روش پیشنهادی در کاهش خطای جذر میانگینمربعات نرمالایزشده (NRMSE) ایستگاههای GPS مستقر در خشکی و دریا حتی در زمان رخداد طوفان ژئومغناطیسی مؤثر عمل کرده است، ولی میزان بهبود بستگی به محل رخداد مشاهدات اختفای رادیویی دارد. روش تیخونوف و LSQR بهترتیب مقدار NRMSE را در شرایط آرام حدود 34/1 و 75/1 درصد و در شرایط طوفانی بهترتیب حدود 68/3 و 86/3 درصد کاهش یافت. | ||
| کلیدواژهها | ||
| پایدارسازی؛ مشاهدات اختفای رادیویی؛ مدل IRI؛ یونوسفر | ||
| عنوان مقاله [English] | ||
| Improving VTEC-derived IRI empirical model using COSMIC2 Radio Occultation observations | ||
| نویسندگان [English] | ||
| Zahra Foroodi؛ Yazdan Amerian | ||
| Department of Geodesy, Faculty of Geodesy and Geomatics Engineering, K. N. Toosi University of Technology, Tehran, Iran. | ||
| چکیده [English] | ||
| Due to the inadequate spatial distribution of data in certain regions, empirical ionospheric models suffer from limited accuracy. To address this limitation, the present study developed a method to enhance the Total Electron Content (TEC) predictions of the International Reference Ionosphere 2020 (IRI-2020) model using ionospheric profile (ionPrf) products derived from the Constellation Observing System for Meteorology, Ionosphere, and Climate-2 (COSMIC2) measurements. COSMIC2 represents the next-generation follow-on to the original COSMIC mission. It consists of six satellites in orbits with a 24-degree inclination, primarily providing coverage between 30°N and 30°S latitudes. By contrast, the original COSMIC satellites operated at an 87-degree inclination, achieving near-global coverage. The proposed enhancement approach comprises two main components: a background model and correction terms. The IRI-2020 serves as the background, while the corrections are modeled via spherical harmonics expansion, yielding 256 unknown coefficients per time interval. The resulting improved TEC maps, guided by the spatial distribution of COSMIC2 observations, offer coverage from 30°S to 30°N across all longitudes. However, COSMIC2 data remain sparse near 45°N and 45°S latitudes. To assess the method, January 14, 2022, was selected as the test date. Geomagnetic conditions remained quiet (steady state) from 00:00 to 21:00 UT, shifting to disturbed (storm) conditions from 21:00 to 24:00 UT, while solar activity stayed stable throughout the day. The generated TEC maps feature a spatial resolution of 5° in longitude and 2.5° in latitude, with a temporal resolution of 2 hours. This interval was chosen because a 2-hour period typically contains more than 256 COSMIC2 observations, sufficient for reliable estimation of the spherical harmonic coefficients. Estimating these coefficients involves solving an ill-posed inverse problem using regularization techniques. Two approaches were compared in this study: the direct Tikhonov regularization and the recursive Least Squares with Quadratic Regularization (LSQR). For validation, modeled Vertical Total Electron Content (VTEC) values were compared against independent measurements from five International GNSS Service (IGS) GPS stations—two situated over the ocean and three on land. Performances were evaluated separately for quiet and storm geomagnetic conditions using Root Mean Square Error (RMSE) and Normalized Root Mean Square Error (NRMSE). Overall, the proposed method substantially reduced RMSE at both land-based and ocean-based stations, even during geomagnetic storms, although its effectiveness depended on the proximity and distribution of Radio Occultation (RO) observations within the region. Relative to the original IRI-2020 model, the recursive LSQR method reduced NRMSE by approximately 1.75% in quiet conditions and 3.86% during storm conditions, while the direct Tikhonov method achieved reductions of 1.34% and 3.68%, respectively. In most 2-hour intervals, LSQR outperformed Tikhonov at individual GPS stations, irrespective of land or sea location. Nevertheless, in one case during storm conditions, neither method could produce a reliable correction, owing to the unfavorable spatial distribution of available RO observations. | ||
| کلیدواژهها [English] | ||
| COSMIC2, IRI model, ionosphere, regularization | ||
| مراجع | ||
|
خوشگواری، ش.، عامریان، ی. و محبوبی، ه. (1399)، مدلسازی محتوای الکترونی کلی بر حسب توابع پایه شعاعی کروی در منطقه ایران، مجله فیزیک زمین و فضا، 46 (1)، 67-80.
Amerian, Y., Hossainali, M. M., & Voosoghi, B. (2013a). Regional improvement of IRI extracted ionospheric electron density by compactly supported base functions using GPS observations. Journal of Atmospheric and Solar-Terrestrial Physics, 92, 23-30. https://doi.org/https://doi.org/10.1016/j.jastp.2012.09.011 Amerian, Y., Voosoghi, B., & Hossainali, M. M. (2013b). Regional ionosphere modeling in support of IRI and wavelet using GPS observations. Acta Geophysica, 61(5), 1246-1261. https://doi.org/10.2478/s11600-013-0121-5 Alizadeh, M. M., Schuh, H., Todorova, S., & Schmidt, M. (2011). Global Ionosphere Maps of VTEC from GNSS, satellite altimetry, and formosat-3/COSMIC data. Journal of Geodesy, 85(12), 975-987. https://doi.org/10.1007/s00190-011-0449-z Bilitza, D., McKinnell, L. A., Reinisch, B., & Fuller-Rowell, T. (2011). The international reference ionosphere today and in the future. Journal of Geodesy, 85(12), 909-920. https://doi.org/10.1007/s00190-010-0427-x Böhm, J., Salstein, D., Alizadeh, M. M., & Wijaya, D. D. (2013). Geodetic and Atmospheric Background. In J. Böhm & H. Schuh (Eds), Atmospheric Effects in Space Geodesy (1-33). Springer. Cheng, Z., Shi, J., Zhang, T., Dunlop, M., & Liu, Z. (2011). The relations between density of FACs in the plasma sheet boundary layers and Kp index. Science China Technological Sciences, 54(11), 2987-2992,) https://doi.org/10.1007/s11431-011-4545-3 Foroodi, Z., Alizadeh, M., Schuh, H., & Tsai, L.C. (2021). Alternative Approach for Tsunami Early Warning Indicated by Gravity Wave Effects on Ionosphere. Remote Sensing, 13(11), 1-21. Foroodi, Z., Alizadeh, M. M., Amerian, Y., & Schuh, H. (2024). Early detection of Tonga volcanic-eruption from internal gravity wave effects on ionosphere, using satellite geodetic techniques. Journal of Atmospheric and Solar-Terrestrial Physics, 262, 106310. https://doi.org/https://doi.org/10.1016/j.jastp.2024.106310 Hansen, P. C. (2007). Regularization Tools version 4.0 for Matlab 7.3. Numerical Algorithms, 46(2), 189-194. https://doi.org/10.1007/s11075-007-9136-9 Jin, S., Cardellach, E., & Xie, F. (2014). GNSS Remote Sensing Theory, Methods and Applications. Springer Netherlands. Karimi, S., Sharifi, M. A., Farzaneh, S., & Kosary, M. (2022). Combination of swarm, Jason-3, and GNSS observations to construct a new modeling of global ionospheric maps. Journal of Atmospheric and Solar-Terrestrial Physics, 238-239, 105934. https://doi.org/https://doi.org/10.1016/j.jastp.2022.105934. Li, M., Yuan, Y., Wang, N., Liu, T., & Chen, Y. (2018). Estimation and analysis of the short-term variations of multi-GNSS receiver differential code biases using global ionosphere maps. Journal of Geodesy, 92(8), 889-903. https://doi.org/10.1007/s00190-017-1101-3 Mahbuby, H., & Amerian, Y. (2022). Improving the performance of time varying spherical radial basis functions in regional VTEC modeling with sparse data. Advances in Space Research, 70(3), 666-686. https://doi.org/https://doi.org/10.1016/j.asr.2022.04.067 Mahbuby, H., & Amerian, Y. (2023). Regional ionospheric electron density modeling by assimilation of GPS-derived TEC into IRI-provided grids on May 8, 2016. Advances in Space Research, 72(6), 2377-2390. https://doi.org/https://doi.org/10.1016/j.asr.2023.05.043 Schunk, R. W. (1988). A Mathematical Model of the Middle and High Latitude Ionosphere. Pure and Applied Geophysics, 127 (2), 255-303. https://doi.org/10.1007/bf00879813 Schaer, S. (1999). Mapping and Predicting the Earth's Ionosphere Using the Global Positioning System Technische Hochschule Zürich. Todorova, S., Hobiger, T., & Schuh, H. (2008). Using the Global Navigation Satellite System and satellite altimetry for combined Global Ionosphere Maps. Advances in Space Research, 42(4), 727-736. https://doi.org/https://doi.org/10.1016/j.asr.2007.08.024 Zolesi, B., & Cander, L. R. (2014). The General Structure of the Ionosphere. In: Ionospheric Prediction and Forecasting. Springer Geophysics. Springer. | ||
|
آمار تعداد مشاهده مقاله: 132 تعداد دریافت فایل اصل مقاله: 27 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب