Akademik Veri Yönetim Sistemi
7. ULUSAL KUTUP BİLİMLERİ SEMPOZYUMU, İstanbul, Türkiye, 4 - 05 Aralık 2023, ss.14
Bu araştırmada iyonosferin F2 bölgesinin davranışını kutup bölgesi özelinde inceledik. 25. Güneş çevriminin başlangıç evresine karşı gelen 2020 yılı boyunca, GIRO iyonosondalarından ve GPS istasyonlarından elde edilen Toplam Elektron İçeriği (TEC) değişimini, başta Tromsø bölgesi olmak üzere Thule ve Gakona bölgeleri için de inceleyerek karşılaştırdık. Yer tabanlı bir radar olan iyonosonda ve uzay tabanlı olan GPS verilerini kullanarak kutup bölgesi iyonosferinin mevsimsel değişimini karşılaştırmalı olarak inceledik. İyonosonda ve GPS verilerin analizinde daha doğru sonuç alınabilmesi için Python programlama dili ile özel hazırladığımız analiz programlarını kullandık. İyonosonda verilerini %70 üzeri doğruluğa sahip olmak şartıyla filtreledik. Çeşitli grafikler ve metotlar yardımıyla verilerden çıkarılan sonuçları gözlemledik. Farklı türde ve farklı konumlardan toplanan bu verilerle mevsimsel farkı açıkça gözlemlemekle beraber elde edilen GPS verilerinin daha kayıpsız olduğunu belirledik. Çalışmamızın devamında ise makine öğrenmesi ve derin öğrenme algoritmaları kullanılarak güneş aktivitesinin iyonosfer üzerindeki olası etkilerinin daha doğru tahmin edilebilmesine odaklanacağız.
In this research, we examined the behavior of the F2 region of the ionosphere specifically in the polar region. 25. During 2020, which corresponds to the initial phase of the solar cycle, we examined and compared the Total Electron Content (TEC) change obtained from GIRO ionosondes and GPS stations, primarily for the Tromsø region, but also for the Thule and Gakona regions. We comparatively examined the seasonal change of the polar region ionosphere using ionosonde, a ground-based radar, and space-based GPS data. In order to obtain more accurate results in the analysis of ionosonde and GPS data, we used analysis programs that we specially prepared with Python programming language. We filtered the ionosonde data with an accuracy of over 70%. We observed the conclusions drawn from the data with the help of various graphs and methods. With these data collected from different types and different locations, we determined that the GPS data obtained was more lossless, while clearly observing the seasonal difference. In the continuation of our study, we will focus on more accurate prediction of the possible effects of solar activity on the ionosphere by using machine learning and deep learning algorithms.