Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 2024

Powiadomienia systemowe

Sesja wygasła!

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: GNSS data analysis

Sortuj według:

Ogranicz wyniki do:

GNSS Time-Series Prediction Using Moving Average Filter and Multi-Layer Perceptron Neuron Network

Do Tuan Minh, Nguyen Huynh Dinh Quoc, Pham Quang Ngoc, Le Duc Tinh, Nguyen Long Quoc, Tran Van Anh, Gia Trong Nguyen

Inżynieria Mineralna

2024

Vol. 3, no. 2

art. no. 98

The Mekong Delta and Ho Chi Minh City in Vietnam are recognized as areas significantly impacted by land subsidence. This phenomenon has led to notable consequences, including increased vulnerability to issues such as saline intrusion and tidal flooding. GNSS-CORS technology, known for its capability to provide continuous time-series data, plays a crucial role in accurately monitoring changes in the land surface. Despite the existence of traditional algorithms for analyzing continuous measurement data collected through GNSS-CORS technology, their effectiveness is constrained by challenges in handling diverse input data and limitations in forecasting future displacements. Consequently, there is a growing trend towards the adoption of artificial intelligence techniques, particularly artificial neural networks (ANN), for predicting Up component in GNSS time-serries daily solution. This study leverages data from the CTHO GNSS CORS station located in the Mekong Delta to evaluate proposed models. An innovative hybrid approach, which integrates the Moving Average Filter (MAF) and Multilayer Perceptron Neural Network (MLPNN), is introduced to enhance the accuracy of forecasting. Performance evaluation metrics such as Mean Absolute Error (MAE), Mean Squared Error (MSE), and Root Mean Squared Error (RMSE) are utilized to assess the effectiveness of the models. Results demonstrate the superior performance of the MLPNN model, achieving high prediction accuracy with metrics including MAE = 0.001, MSE = 0.000, and RMSE = 0.002. This research underscores the robustness of the proposed model in forecasting GNSS time-serries daily solution, highlighting its potential for practical applications in geodetic research.

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.

Application of Outlier Detection Methods in GNSS Time Series Analysis

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

Inżynieria Mineralna

2024

Vol. 3, no. 2

art. no. 95

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.

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.