Przewidywanie szeregów czasowych GNSS przy użyciu filtra średniej ruchomej i wielowarstwowej sieci neuronowej perceptronu

  • Tuan Minh DO Ho Chi Minh city of Natural Resources and Environment, Hochiminh city, Vietnam https://orcid.org/0000-0003-3172-5330
  • Huynh Dinh Quoc NGUYEN Ho Chi Minh city of Natural Resources and Environment, Hochiminh city, Vietnam https://orcid.org/0009-0007-8447-9045
  • Quang Ngoc PHAM Faculty of Geomatics and Land Administration, Hanoi University of Mining and Geology, Hanoi, Vietnam; Geodesy and Environment research group, Hanoi University of Mining and Geology, Hanoi, Vietnam https://orcid.org/0009-0006-0765-245X
  • Duc Tinh LE Faculty of Geomatics and Land Administration, Hanoi University of Mining and Geology, Hanoi, Vietnam https://orcid.org/0000-0003-2311-7351
  • Long Quoc NGUYEN Faculty of Geomatics and Land Administration, Hanoi University of Mining and Geology, Hanoi, Vietnam; Innovations for Sustainable and Responsible Mining (ISRM) Research Group, Hanoi University of Mining and Geology, Hanoi, Vietnam https://orcid.org/0000-0002-0022-3453
  • Van Anh TRAN Faculty of Geomatics and Land Administration, Hanoi University of Mining and Geology, Hanoi, Vietnam; Innovations for Sustainable and Responsible Mining (ISRM) Research Group, Hanoi University of Mining and Geology, Hanoi, Vietnam https://orcid.org/0000-0002-4792-3684
  • Trong Nguyen GIA Faculty of Geomatics and Land Administration, Hanoi University of Mining and Geology, Hanoi, Vietnam; Geodesy and Environment research group, Hanoi University of Mining and Geology, Hanoi, Vietnam https://orcid.org/0009-0003-1616-8625
Słowa kluczowe: ruch pionowy lądu, tektonika płyt, Gamit/Globk, analiza danych GNSS, uczenie maszynowe, serie czasowe GNSS

Abstrakt

Delta Mekongu i Ho Chi Minh City w Wietnamie są uznawane za obszary w znacznym stopniu dotknięte osiadaniem gruntu. Zjawisko to doprowadziło do znaczących konsekwencji, w tym zwiększonej podatności na takie zjawiska, jak wnikanie soli i powodzie pływowe. Technologia GNSS-CORS, znana ze swojej zdolności do dostarczania ciągłych danych szeregów czasowych, odgrywa kluczową rolę w dokładnym monitorowaniu zmian powierzchni ziemi. Pomimo istnienia tradycyjnych algorytmów do analizy ciągłych danych pomiarowych zebranych za pomocą technologii GNSS-CORS, ich skuteczność jest ograniczona wyzwaniami związanymi z obsługą różnorodnych danych wejściowych i ograniczeniami w prognozowaniu przyszłych przemieszczeń. W związku z tym istnieje rosnąca tendencja do przyjmowania technik sztucznej inteligencji, w szczególności sztucznych sieci neuronowych (ANN), do przewidywania komponentu Up w codziennym rozwiązaniu GNSS. Niniejsze badanie wykorzystuje dane ze stacji CTHO GNSS CORS zlokalizowanej w delcie Mekongu do oceny proponowanych modeli. Innowacyjne podejście hybrydowe, które integruje filtr średniej ruchomej (MAF) i wielowarstwową perceptronową sieć neuronową (MLPNN), zostało wprowadzone w celu zwiększenia dokładności prognozowania. Do oceny skuteczności modeli wykorzystano wskaźniki oceny wydajności, takie jak średni błąd bezwzględny (MAE), średni błąd kwadratowy (MSE) i średni błąd kwadratowy (RMSE). Wyniki pokazują doskonałą wydajność modelu MLPNN, osiągając wysoką dokładność przewidywania.
Opublikowane
2025-01-22