Application of Outlier Detection Methods in GNSS Time Series Analysis

• Autorzy: Nguyen Huynh Dinh Quoc , Pham Quang Ngoc , Tran Vinh Duc , Nguyen Quoc Long , Nguyen Trong Gia

Identyfikatory

DOI

10.29227/IM-2024-02-95

Warianty tytułu

PL

Zastosowanie metod wykrywania wartości odstających w analizie szeregów czasowych GNSS

• Języki publikacji: EN

Abstrakty

EN

In the study of determining vertical displacements of the Earth's crust, GNSS is the technology that enables the highest accuracy in displacement measurement. Moreover, with GNSS time series data, it is possible to identify patterns of displacement over time. An existing issue to address is the detection of outliers and discontinuities within the measurement series. This study investigates outlier detection methods within GNSS time series data to serve the purpose of determining vertical displacements and predicting altitude component values over time. Methods such as IQR, Z-Score, and Percentile were implemented using data from CORS stations named HYEN, QNAM, and CTHO within the VNGEONET network in Vietnam. The data from these stations were initially analyzed using Gamit/Globk software to obtain daily coordinate components of the points. Results from outlier detection and analysis with the Multiple Linear Regression Model indicate that with approximately 2% of measurements identified as outliers, displacement may vary by 0.4mm/year. The LSTM+ICA artificial intelligence model demonstrated excellent performance in prediction with QNAM and CTHO datasets. However, prediction with the LSTM+ICA model raises ongoing research questions, particularly regarding the data collected by the HYEN station.

PL

W badaniach nad określaniem pionowych przemieszczeń skorupy ziemskiej GNSS jest technologią, która umożliwia najwyższą dokładność pomiaru przemieszczeń. Co więcej, dzięki danym z szeregów czasowych GNSS możliwe jest zidentyfikowanie wzorców przemieszczeń w czasie. Istniejącą kwestią do rozwiązania jest wykrywanie wartości odstających i nieciągłości w serii pomiarowej. W niniejszym badaniu zbadano metody wykrywania wartości odstających w danych szeregów czasowych GNSS w celu określenia przemieszczeń pionowych i przewidywania wartości składowych wysokości w czasie. Metody takie jak IQR, Z-Score i Percentile zostały zaimplementowane przy użyciu danych ze stacji CORS o nazwach HYEN, QNAM i CTHO w sieci VNGEONET w Wietnamie. Dane z tych stacji zostały wstępnie przeanalizowane przy użyciu oprogramowania Gamit/Globk w celu uzyskania dziennych składowych współrzędnych punktów. Wyniki wykrywania wartości odstających i analizy za pomocą modelu wielokrotnej regresji liniowej wskazują, że przy około 2% pomiarów zidentyfikowanych jako wartości odstające, przemieszczenie może różnić się o 0,4 mm/rok. Model sztucznej inteligencji LSTM+ICA wykazał doskonałą wydajność w przewidywaniu dla zbiorów danych QNAM i CTHO. Jednak przewidywanie za pomocą modelu LSTM+ICA rodzi ciągłe pytania badawcze, szczególnie w odniesieniu do danych zebranych przez stację HYEN.

Słowa kluczowe

EN

land vertical movement; plate tectonic; Gamit/Globk; GNSS data analysis; machine learning

PL

ruch pionowy lądu; tektonika płyt; Gamit/Globk; analiza danych GNSS; uczenie maszynowe

• Wydawca: Polskie Towarzystwo Przeróbki Kopalin
• Czasopismo: Inżynieria Mineralna
• Rocznik: 2024
• Tom: Vol. 3, no. 2
• Strony: art. no. 95
• Opis fizyczny: Bibliogr. 27 poz., rys., tab., wykr.

Twórcy

autor

Nguyen Huynh Dinh Quoc

• Ho Chi Minh City of Natural Resources and Environment, Ho Chi Minh City, Vietnam;

• https://orcid.org/0009-0007-8447-9045

autor

Pham Quang Ngoc

• 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

autor

Tran Vinh Duc

• Viet Nam‘s People Naval hydrographic and Oceanographic Department

• https://orcid.org/0009-0007-3087-8585

autor

Nguyen Quoc Long

• Faculty of Geomatics and Land Administration, Hanoi University of Mining and Geology, Hanoi, Vietnam

• https://orcid.org/0009-0003-1616-8625

autor

Nguyen Trong 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/0000-0002-4792-3684

Bibliografia

• 1. Raj, N.J.M., Prediction of sea level with vertical land movement correction using deep learning. 2022. 10(23): p. 4533.
• 2. Olaf, N., Vấn đề dưới mặt đất-sụt lún đất tại đồng bằng Sông Cửu Long. 2019, Deutsche gesellschaft für internationale zusammenarbeit (GIZ).
• 3. Uzel, T., et al., Monitoring the tectonic plate movements in Turkey based on the national continuous GNSS network. 2013. 6: p. 3573-3580.
• 4. Abidin, H., et al., Land subsidence in coastal city of Semarang (Indonesia): characteristics, impacts and causes. 2013. 4(3): p. 226-240.
• 5. Wang, L., et al., Detecting seasonal and long-term vertical displacement in the North China Plain using GRACE and GPS. Hydrol. Earth Syst. Sci., 2017. 21(6): p. 2905-2922.
• 6. Kowalczyk, K. and J.J.A.G.e.G. Rapinski, Evaluation of levelling data for use in vertical crustal movements model in Poland. 2013. 10(4): p. 172.
• 7. Wu, D., H. Yan, and Y. Shen, TSAnalyzer, a GNSS time series analysis software. Gps Solutions, 2017. 21: p. 1389-1394.
• 8. Goudarzi, M.A., GPS inferred velocity and strain rate fields in eastern Canada. 2016.
• 9. Klos, A., et al., Modelling the GNSS time series: different approaches to extract seasonal signals. Geodetic time series analysis in earth sciences, 2020: p. 211-237.
• 10. Smiti, A., A critical overview of outlier detection methods. Computer Science Review, 2020. 38: p. 100306.
• 11. Qianqian, Z. and G. Qingming, Bayesian methods for outliers detection in GNSS time series. Journal of Geodesy, 2013. 87(7): p. 609-627.
• 12. Wang, J. and N.L. Knight, New outlier separability test and its application in GNSS positioning. Journal of global positioning systems, 2012. 11(1): p. 46-57.
• 13. Zair, S., S. Le Hégarat-Mascle, and E. Seignez, Outlier detection in GNSS pseudo-range/Doppler measurements for robust localization. Sensors, 2016. 16(4): p. 580.
• 14. Klos, A., et al. On the handling of outliers in the GNSS time series by means of the noise and probability analysis. in IAG 150 Years: Proceedings of the IAG Scientific Assembly in Postdam, Germany, 2013. 2016. Springer.
• 15. Ji, K. and Y. Shen. A Wavelet-Based Outlier Detection and Noise Component Analysis for GNSS Position Time Series. in Beyond 100: The Next Century in Geodesy. 2022. Cham: Springer International Publishing.
• 16. Gao, W., et al., Modelling and prediction of GNSS time series using GBDT, LSTM and SVM machine learning approaches. Journal of Geodesy, 2022. 96(10): p. 71.
• 17. Kiani, M., A specifically designed machine learning algorithm for GNSS position time series prediction and its applications in outlier and anomaly detection and earthquake prediction. arXiv preprint arXiv:2006.09067, 2020.
• 18. Huy, N.Đ. and T.Đ. Trọng, Phát hiện ngoại lai trong chuỗi tọa độ GNSS bằng máy học. Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, 2023. 64(4): p. 22-30.
• 19. Vân Phong, D., et al., Phân tích chuyển dịch thẳng đứng vỏ Trái đất sử dụng hàm ANN từ kết quả xử lý chuỗi dữ liệu GNSS theo thời gian.
• 20. Wang, C., J. Caja, and E. Gómez, Comparison of methods for outlier identification in surface characterization. Measurement, 2018. 117: p. 312-325.
• 21. Barbato, G., et al., Features and performance of some outlier detection methods. Journal of Applied Statistics, 2011. 38(10): p. 2133-2149.
• 22. Kannan, K.S., K. Manoj, and S. Arumugam, Labeling methods for identifying outliers. International Journal of Statistics and Systems, 2015. 10(2): p. 231-238.
• 23. Iglewicz, B. and D.C. Hoaglin, Volume 16: how to detect and handle outliers. 1993: Quality Press.
• 24. Li, Y., Analysis of GAMIT/GLOBK in high-precision GNSS data processing for crustal deformation. Earthquake Research Advances, 2021. 1(3): p. 100028.
• 25. Rakhimberdieva, M., et al. Processing of GNSS data in Gamit/Globk: On the example of the reference stations of the Uzbekistan network. in E3S Web of Conferences. 2023. EDP Sciences.
• 26. Savchuk, S., et al., The Seasonal Variations Analysis of Permanent GNSS Station Time Series in the Central-East of Europe. Remote Sensing, 2023. 15(15): p. 3858.
• 27. Hung, V.T., et al., Contemporary movement of the Earth's crust in the Northwestern Vietnam by continuous GPS data. Vietnam Journal of Earth Sciences, 2020. 42(4): p. 334-350.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).