Δημιουργία μοντέλων μηχανικής μάθησης για τη μελέτη της απόκρισης της ιονόσφαιρας σε έντονα ηλιακά φαινόμενα με χρήση παρατηρήσεων GNSS

Τσουμενής, Εμμανουήλ; Tsoumenis, Emmanouil

dc.contributor.author	Τσουμενής, Εμμανουήλ	el
dc.contributor.author	Tsoumenis, Emmanouil	en
dc.date.accessioned	2022-09-01T09:17:43Z
dc.date.available	2022-09-01T09:17:43Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55569
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23267
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	GNSS	en
dc.subject	TEC	en
dc.title	Δημιουργία μοντέλων μηχανικής μάθησης για τη μελέτη της απόκρισης της ιονόσφαιρας σε έντονα ηλιακά φαινόμενα με χρήση παρατηρήσεων GNSS	el
heal.type	bachelorThesis
heal.classification	Γεωδαισία	el
heal.classification	Geodesy	en
heal.classification	Γεωπληροφορική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-03-09
heal.abstract	Οι μετρήσεις προσδιορισμού θέσης με χρήση συστημάτων GNSS αποτελούν ένα τεράστιο τμήμα της καθημερινότητας μας σε διάφορους τομείς. Όμως, η μετρήσεις αυτές επηρεάζονται σε μεγάλο βαθμό μεταξύ άλλων και από την ατμόσφαιρα της Γης και, πιο συγκεκριμένα, από την ιονόσφαιρα. Ως εκ τούτου, ένα μεγάλο πρόβλημα των ημερών μας, είναι η ανάγκη πρόβλεψης της ιονοσφαιρικής δραστηριότητας. Η απόκριση της ιονόσφαιρας είναι ανάλογη του συνολικού αριθμού ηλεκτρονίων (TEC) κατά μήκος της διαδρομής διάδοσης, και αντιστρόφως ανάλογη του τετραγώνου της συχνότητας f του φορέα (L1 ή L2) . Μέσω των δεδομένων TEC γίνεται η διόρθωση της διάθλασης στην ιονόσφαιρα και είναι ζωτικής σημασίας για τα συστήματα δορυφορικής πλοήγησης, προκειμένου να διασφαλιστεί η υψηλή απόδοση τους στον εντοπισμό θέσης. Με το παρόν, έγινε μία προσπάθεια δημιουργίας μοντέλων μηχανικής μάθησης για τη μελέτη της απόκρισης της ιονόσφαιρας σε έντονα ηλιακά φαινόμενα με χρήση παρατηρήσεων GNSS. Αυτή η μέθοδος εκμεταλλεύεται τα πλεονεκτήματα της μηχανικής μάθησης και συγκεκριμένα του παλινδρομητή XGBoost για την πρόβλεψη των τιμών TEC (VTEC και STEC), χρησιμοποιώντας ως δεδομένα εισόδου αυτά που προκύπτουν από τις 8 γεωμαγνητικές και ηλιακές παραμέτρους που επηρεάζουν την ιονόσφαιρα. Ο σκοπός της προτεινόμενης μεθόδου είναι να αξιολογήσει την εκτίμηση της ιονοσφαιρικής καθυστέρησης σε ημέρες με έντονα ηλιακά φαινόμενα όπως solar flares ή CMEs) και να ελέγξει τη διαφορά της απόκρισης της κάτω από αυτά τα φαινόμενα. Αυτό θα οδηγήσει στην καλύτερη κατανόηση των προβλημάτων που δημιουργούν τα φαινόμενα αυτά και των παραμέτρων που επηρεάζουν και, ιδανικά, θα βοηθήσει στη πρόβλεψη τέτοιων φαινομένων με σκοπό τον προσδιορισμό της ιονόσφαιρας και τη δημιουργία καλύτερων τοπικών μοντέλων πρόβλεψης (χάρτες TEC). Για τον προσδιορισμό του καλύτερου παλινδρομητή χρησιμοποιήθηκαν οι συναρτήσεις Ρίζας Μέσου Τετραγωνικού Σφάλματος (rΜSE) και Μέσου Απόλυτου Σφάλματος (ΜΑΕ).	el
heal.advisorName	Δουλάμης, Νικόλαος	el
heal.committeeMemberName	Γκίκας, Βασίλειος	el
heal.committeeMemberName	Πανταζής, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	89 σ.	el
heal.fullTextAvailability	false