Time-dependent prediction degredation assessment of neural-networks-based TEC forecasting models

Abstract

Abstract. An estimation of the difference in TEC prediction accuracy achieved when the prediction varies from 1 h to 7 days in advance is described using classical neural networks. Hourly-daily Faraday-rotation derived TEC measurements from Florence are used. It is shown that the prediction accuracy for the examined dataset, though degrading when time span increases, is always high. In fact, when a relative prediction error margin of ±10% is considered, the population percentage included therein is almost always well above the 55%. It is found that the results are highly dependent on season and the dataset wealth, whereas they highly depend on the foF2 -TEC variability difference and on hysteresislike effect between these two ionospheric characteristics.

Prediction of global positioning system total electron content using Neural Networks over South Africa

“…Neural Networks (NNs) have been previously applied in modeling ionospheric TEC using GPS data (Hernandez-Pajares et al, 1997), time dependent TEC predictions and forecasting using Faradayrotation derived TEC (Xenos et al, 2003), vertical GPS TEC computation and modeling Santos, 2004, 2007) and forecasting of TEC maps (Tulunay et al, 2006). NNs have also been found applicable to ionospheric modeling, in particular to the peak electron density (Williscroft and Poole, 1996;Poole and Poole, 2002;Sarma and Mahdu, 2005).…”

Nonlinear dynamic systems modeling using Gaussian processes: Predicting ionospheric total electron content over South Africa

“…[11] Nevertheless, neural networks have found considerable use in the modeling of TEC for over a decade, and in fact, besides the commonly encountered global International Reference Ionosphere (IRI) empirical model [Bilitza, 2001] which suffers from a historic scarcity of data in the Southern Hemisphere [McKinnel, 2002], the most interesting contributions to TEC modeling from a practical point of view have arguably been the development of several regional neural network models (see for example the work by HernandezPajares et al [1997] which made use of GPS observations, Xenos et al [2003] which employed Faraday-rotation derived TEC, Tulunay et al [2006] where NNs were used to predict TEC maps, as well as the work by Leandro and Santos [2007], Habarulema et al [2009], andYilmaz et al [2009]). …”

Διερεύνηση Αξιολόγηση Και Μοντελοποίηση Ιονοσφαιρικών Παραμέτρων

“…Τα προτεινόµενα µοντέλα επέδειξαν πολύ καλή ακρί ις αντίστοιχες µετρήσεις, ενώ, επίσης, διερευνήθηκε και η απόδοσή τους σε σχέση µε την ηλιακή (R) και γεωµαγνητική δραστηριότητα (A p ), που όπως προέκυψε από την ανάλυση των αποτελεσµάτων δε φάνηκε να επηρεάζεται ιδιαίτερα από τις παραπάνω συνθήκες. Ακόµη, µέσω των νευρωνικών δικτύων αναπτύχθηκαν µοντέλα (Xenos et al, 2000(Xenos et al, , 2003 για την πρόβλεψη του TEC από µια ώρα έως και επτά µέρες µπροστά, χρησιµοποιώντας ως είσοδο την παράµετρο f o F2. Αν και η ακρίβεια πρόβλεψης των µοντέλων µειώνεται, καθώς αυξάνεται ο επιθυµητός χρόνος πρόβλεψης, είναι αξιοσηµείωτο να τονιστεί ότι κεφάλαιο 1 ο παραµένει πάντοτε σε υψηλά επίπεδα.…”

“…Η εξάρτηση αυτή ανάµεσα στην f o F2 και το TEC έχει χρησιµοποιηθεί από διάφορους ερευνητές, οι οποίοι εκµεταλλευόµενοι τη γνώση που έχει αποκτηθεί σχετικά µε τη συµπεριφορά της f o F2 έχουν προτείνει διάφορες µεθόδους για τον υπολογισµό του TEC. Έτσι, ερευνητές, όπως οι Wilkinson et al (2001) πρότειναν µέθοδο για τον υπολογισµό χαρτών TEC δια της χρησιµοποίησης των αντίστοιχων χαρτών f o F2 σε συνδυασµό µε το IRI µοντέλο, ενώ άλλοι ερευνητές χρησιµοποίησαν foF2 τιµές για την o κεφάλαιο 2 ο πρόβλεψη του TEC µέσω νευρωνικών δικτύων (e.g., Xenos et al, 2000Xenos et al, , 2003. Ακόµη, ο Wilkinson (2004) διατύπωσε µια µέθοδο για τον υπολογισµό της µεταβλητότητας του TEC στο 90% του χρόνου (deciles), από τη µεταβλητότητα της f o F2 µέσω του IRI µοντέλου, ενώ οι Ma and Maruyama (2002) µελέτησαν ταυτόχρονα τις µεταβολές των TEC και f o F2, από δεδοµένα Ιαπωνικών σταθµών, κατά τη διάρκεια ήρεµων και διαταραγµένων συνθηκών.…”