Automatic Detection and Analysis of Offsets in GNSS Position Time Series Using RMS Sliding-Window Method and Synthetic Model

Tran, Dinh Trong

doi:10.29227/IM-2024-01-97

Artykuł - szczegóły

Tytuł artykułu

Automatic Detection and Analysis of Offsets in GNSS Position Time Series Using RMS Sliding-Window Method and Synthetic Model

Autorzy

Tran Dinh Trong

Treść / Zawartość

Pełne teksty:

Pobierz

Identyfikatory

DOI

10.29227/IM-2024-01-97

Warianty tytułu

Automatyczne wykrywanie i analiza przesunięć w szeregach czasowych pozycji GNSS przy użyciu metody przesuwanego okna RMS i modelu syntetycznego

Języki publikacji

Abstrakty

This paper presents a method for automatically detecting and analyzing offsets in GNSS (Global Navigation Satellite System) position time series using the RMS (Root Mean Square) sliding-window approach. This technique identifies anomalies that indicate offsets within the time series. To adjust parameters such as linear trends, seasonal signals, and offsets accurately, synthetic model of GNSS position time series is utilized. The method is implemented in an automated program, pygps_ts, programmed by Python. The effectiveness of this approach is validated using both synthetic and real data from CORS (Continuously Operating Reference Station) stations in Vietnam. The results show that the program can accurately and efficiently detect and analyze offsets, identifying the epochs and magnitudes of these offsets in various scenarios. This study offers a practical tool for GNSS data processing, which is especially useful for tectonic studies and geodetic applications in Vietnam, where the continuous GNSS network is still developing. The study demonstrates the potential of this method for broader applications in monitoring and analyzing GNSS data in different regions. s accuracy and efficiency in offset detection and analysis.

W artykule przedstawiono metodę automatycznego wykrywania i analizy przesunięć w szeregach czasowych pozycji GNSS (Globalnego Systemu Nawigacji Satelitarnej) z wykorzystaniem metody przesuwanego okna RMS (Root Mean Square). Technika ta identyfikuje anomalie wskazujące przesunięcia w szeregach czasowych. Aby dokładnie dostosować parametry, takie jak trendy liniowe, sygnały sezonowe i przesunięcia, wykorzystuje się syntetyczny model szeregów czasowych pozycji GNSS. Metoda jest zaimplementowana w zautomatyzowanym programie pygps_ts, napisanym w języku Python. Skuteczność tego podejścia potwierdza się na podstawie zarówno syntetycznych, jak i rzeczywistych danych ze stacji CORS (ciągle działającej stacji referencyjnej) w Wietnamie. Wyniki pokazują, że program może dokładnie i skutecznie wykrywać i analizować przesunięcia, identyfikując epoki i wielkość tych przesunięć w różnych scenariuszach. Niniejsze badanie oferuje praktyczne narzędzie do przetwarzania danych GNSS, które jest szczególnie przydatne w badaniach tektonicznych i zastosowaniach geodezyjnych w Wietnamie, gdzie ciągła sieć GNSS wciąż się rozwija. Badanie pokazuje potencjał tej metody do szerszego zastosowania w monitorowaniu i analizie danych GNSS w różnych regionach, dokładność i skuteczność w wykrywaniu i analizie przesunięć.

Słowa kluczowe

GNSS position time series displacement tectonic offset sliding-window CORS

szeregi czasowe pozycji GNSS tektonika przemieszczeń przesunięcie okno przesuwne CORS

Wydawca

Polskie Towarzystwo Przeróbki Kopalin

Czasopismo

Inżynieria Mineralna

Rocznik

2024

Tom

Vol. 2, no. 1

Strony

89--98

Opis fizyczny

Bibliogr. 27 poz., tab., wykr.

Twórcy

autor

Tran Dinh Trong

rongtd@huce.edu.vn

Faculty of Bridges and Roads, 55 Giai Phong Street, Hanoi University of Civil Engineering, Hanoi, Vietnam

https://orcid.org/0000-0002-3838-9950

Bibliografia

1. Amiri-Simkooei, A. R., Hosseini-Asl, M., Asgari, J., & Zangeneh-Nejad, F. (2019). Offset detection in GPS position time series using multivariate analysis. GPS Solutions, 23(1), 1–12. https://doi.org/10.1007/S10291-018-0805-Z/METRICS
2. Bruni, S., Zerbini, S., Raicich, F., Errico, M., & Santi, E. (2014a). Detecting discontinuities in GNSS coordinate time series with STARS: case study, the Bologna and Medicina GPS sites. Journal of Geodesy, 88(12), 1203–1214. https://doi.org/10.1007/S00190-014-0754-4
3. Bruni, S., Zerbini, S., Raicich, F., Errico, M., & Santi, E. (2014b). Detecting discontinuities in GNSS coordinate time series with STARS: case study, the Bologna and Medicina GPS sites. Journal of Geodesy, 88(12), 1203–1214. https://doi.org/10.1007/S00190-014-0754-4/METRICS
4. Cong Duong, C., Yun, H.-S., & Cho, J.-M. (2006). GPS measurements of horizontal deformation across the Lai Chau—Dien Bien (Dien Bien Phu) fault, in Northwest of Vietnam, 2002-2004. Earth, Planets and Space, 58(5), 523–528. https://doi.org/10.1186/BF03351949
5. Cox, A., & Hart, R. B. (2009). Plate tectonics: How it works. John Wiley & Sons.
6. Crocetti, L., Schartner, M., & Soja, B. (2021). Discontinuity Detection in GNSS Station Coordinate Time Series Using Machine Learning. Remote Sensing 2021, Vol. 13, Page 3906, 13(19), 3906. https://doi.org/10.3390/RS13193906
7. Dach, R., & Walser, P. (2015). Bernese GNSS Software Version 5.2.
8. Gazeaux, J., Williams, S., King, M., Bos, M., Dach, R., Deo, M., Moore, A. W., Ostini, L., Petrie, E., Roggero, M., Teferle, F. N., Olivares, G., & Webb, F. H. (2013). Detecting offsets in GPS time series: First results from the detection of offsets in GPS experiment. Journal of Geophysical Research: Solid Earth, 118(5), 2397–2407. https://doi.org/10.1002/JGRB.50152
9. Hazra, A. (2017). Using the confidence interval confidently. Journal of Thoracic Disease, 9(10), 4124–4129. https://doi.org/10.21037/jtd.2017.09.14
10. Herring, T., King, R., & McClusky, S. (2006). GLOBK reference manual—global Kalman filter VLBI and GPS analysis pro-gram release 10.3. Massachusetts Institute of Technology.
11. Khazraei, S. M., & Amiri-Simkooei, A. R. (2020). Improving offset detection algorithm of GNSS position time-series using spline function theory. Geophysical Journal International, 224(1), 257–270. https://doi.org/10.1093/GJI/GGAA453
12. Langley, R. B., Teunissen, P. J. G., & Montenbruck, O. (2017). Introduction to GNSS. Springer Handbooks, 3–23. https://doi.org/10.1007/978-3-319-42928-1_1
13. Métivier, L., Collilieux, X., Lercier, D., Altamimi, Z., & Beauducel, F. (2014). Global coseismic deformations, GNSS time series analysis, and earthquake scaling laws. Journal of Geophysical Research: Solid Earth, 119(12), 9095–9109. https://doi.org/10.1002/2014jb011280
14. Montillet, J.-P., & Bos, M. S. (2020). Geodetic Time Series Analysis in Earth Sciences (J.-P. Montillet & M. S. Bos, Eds.; 1st ed.). Springer International Publishing. https://doi.org/10.1007/978-3-030-21718-1
15. Montillet, J.-P., Williams, S. D. P., Koulali, A., & McClusky, S. C. (2015). Estimation of offsets in GPS time-series and application to the detection of earthquake deformation in the far-field. Geophysical Journal International, 200(2), 1207–1221. https://doi.org/10.1093/gji/ggu473
16. Nikolaidis, R. (2002). Observation of geodetic and seismic deformation with the Global Positioning System. University of California, San Diego.
17. Riel, B., Simons, M., Agram, P., & Zhan, Z. (2014). Detecting transient signals in geodetic time series using sparse estimation techniques. Journal of Geophysical Research: Solid Earth, 119(6), 5140–5160. https://doi.org/10.1002/2014JB011077
18. Thomas, H., & Simon, M. (2009, April 4). GAMIT/GLOBK MATLAB TOOLS. Http://Www-Gpsg.Mit.Edu/~tah/GGMatlab/.
19. Tian, Y. (2011). iGPS: IDL tool package for GPS position time series analysis. GPS Solutions, 15(3), 299–303. https://doi.org/10.1007/S10291-011-0219-7/METRICS
20. Tran, D. T. (2013). Analyse rapide et robuste des solutions GPS pour la tectonique [Université de Nice Sophia - Antipolis]. https://www.theses.fr/2013NICE4033
21. Tran, D. T., Nguyen, D. H., Vu, N. Q., & Nguyen, Q. L. (2023). Crustal displacement in Vietnam using CORS data during 2018-2021. Earth Sciences Research Journal, 27(1). https://doi.org/10.15446/esrj.v27n1.102630
22. Tran, D. T., Nguyen, Q. L., & Nguyen, D. H. (2021). General Geometric Model of GNSS Position Time Series for Crustal Deformation Studies – A Case Study of CORS Stations in Vietnam. Inzynieria Mineralna, 1(2). https://doi.org/10.29227/IM-2021-02-16
23. Tran, D. T., Nguyen, T. Y., Duong, C. C., Vy, Q. H., Zuchiewicz, W., Nguyen, Q. C., & Nguyen, V. N. (2013). Recent crustal movements of northern Vietnam from GPS data. Journal of Geodynamics, 69, 5–10. https://doi.org/10.1016/j.jog.2012.02.009
24. Van Rossum, G., & Drake, F. L. (2003). An introduction to Python. Network Theory Ltd. Bristol.
25. Vy Quốc Hải, Trần Đình Tô, & Ngô Văn Liêm. (2011). Determination of present crustal movements of Red River Fault Zone by the TamDao - BaVi GPS network (1994-2007). Vietnam Journal of Earth Sciences, 33(3), 474–479. https://doi.org/10.15625/0866-7187/33/3/438
26. Williams, S. D. P. (2008). CATS: GPS coordinate time series analysis software. GPS Solutions, 12(2), 147–153. https://doi.org/10.1007/s10291-007-0086-4
27. Wu, D., Yan, H., & Yuan, S. (2018). L1 regularization for detecting offsets and trend change points in GNSS time series. GPS Solutions, 22(3), 1–5. https://doi.org/10.1007/S10291-018-0756-4/METRICS

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-6ee4a7dc-4d5a-48a4-b6c0-9641644e0738