Ionospheric effects are one of the factors that can have negative impact on Global Navigation Satellite Systems (GNSS). Those effects can be called medium-scale traveling ionospheric disturbances (MS-TIDs) at middle latitude regions and polar cap patches at high latitude regions. The ionospheric variations have different patterns for each region and time. The statistical measures of the ionospheric variation are analyzed presented as functions of time in half solar cycle, annual seasonal, and time of day for four geographical locations in Sweden. By processing achieved GPS data from a 7-year period, 2013-2020, from SWEPOS, the characterization of the ionospheric variation was performed. It is found that the ionospheric variation is larger for the Norra Norrland region during solar minimum. However, during solar maximum, the variation depends on the seasons but high variation seems to occur the most in Svealand region. For the more northern regions (Norra and Södra Norrland), the ionospheric variation is greater during nighttime than during daytime, while for the more southern regions (Svealand and Götaland), the variation is greater during daytime. At solar maximum, the variability is higher during the months March, May, September, and October and smaller in June, July, and August. For the ionospheric variation prediction, a model based on Recurrent Neural Network (RNN) called Long Short-Term Memory (LSTM) is proposed. The tuned hyperparameters for LSTM are tested for the prediction accuracy by comparing the predicted values to the measured values. It is found that the LSTM can yield the prediction results with more than 90% accuracy when using 1-6 hours of input data and aiming for 10-35 minutes of output data. Longer duration of input and output results in lower accuracy of the predicted values. / Jonosfäriska effekter är en av de faktorer som kan ha negativ inverkan på Global Navigation Satellite Systems (GNSS). Dessa effekter kan kallas medelstora resande jonosfäriska störningar (MS-TID) vid mellanliggande latitudområden och polarkapslar på områden med hög latitud. De jonosfäriska variationerna har olika mönster för varje region och tid. De statistiska måtten på den jonosfäriska variationen analyseras presenterade som tidsfunktioner i halva solcykeln, årssäsong och tid på dygnet för fyra geografiska platser i Sverige. Genom att bearbeta uppnådda GPS-data från en 7-årsperiod, 2013-2020, från SWEPOS, utfördes karaktäriseringen av den jonoshperiska variationen. Det har visat sig att den jonosfäriska variationen är större för Norra Norrland -regionen under solminimum. Under solens maximala beror variationen dock på årstiderna men hög variation tycks förekomma mest i Svealandsregionen. För de mer norra regionerna (Norra och Södra Norrland) är den jonosfäriska variationen större under natten än på dagtid, medan för de mer sydliga regionerna (Svealand och Götaland) är variationen större under dagtid. Vid maximal sol är variationen högre under månaderna mars, maj, september och oktober och mindre i juni, juli och augusti. För jonosfärens variationsprognos föreslås en modell baserad på Recurrent Neural Network (RNN) som kallas Long Short-Term Memory (LSTM). De inställda hyperparametrarna för LSTM testas med avseende på förutsägelsens noggrannhet genom att jämföra de förutsagda värdena med de uppmätta värdena. Det har visat sig att LSTM kan ge förutsägelsesresultaten med mer än 90% noggrannhet när man använder 1-6 timmars inmatningsdata och siktar på 10-35 minuters utdata. Längre varaktighet för in- och utgång resulterar i lägre noggrannhet för de förutsagda värdena.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-302461 |
| Date | January 2021 |
| Creators | Wiboonwipa, Netsai |
| Publisher | KTH, Fastigheter och byggande |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-ABE-MBT ; 21551 |
Page generated in 0.002 seconds