Predicción de alturas geoidales geométricas por redes neuronales artificiales

• Carrión, José ^[1] ; Tierra, Alfonso ^[2] ; del Cogliano, Daniel ^[3]
  1. [1] Universidade Federal do Paraná

     Universidade Federal do Paraná

     Brasil

     
  2. [2] Escuela Politécnica del Ejército

     Escuela Politécnica del Ejército

     Sangolqui, Ecuador

     
  3. [3] Universidad Nacional de La Plata

     Universidad Nacional de La Plata

     Argentina

     

  Mostrar afiliaciones +
• Localización: Revista Cartográfica, ISSN 0080-2085, ISSN-e 2663-3981, Nº. 94, 2017, págs. 89-104
• Idioma: español
• Títulos paralelos:
  • Prediction of geometric geoid heights by artificial neural networks
• Enlaces
  • Texto completo
• Resumen
  • español

    Alturas niveladas pertenecientes a las Redes de Nivelación Fundamental (RNF), sirven de base para el establecimiento de la referencia vertical fundamental de cada país. Cuando estas alturas no están asociadas a observaciones del campo de gravedad terrestre, teniendo por tanto características puramente geométricas, pierden utilidad en la solución de problemas relacionados con fenómenos de carácter regional y global vinculados con la dinámica del Sistema Tierra. Adicionalmente, diferentes Data Verticales Locales (DVL) no materializan la misma referencia, debido a que el NMM determinado en cada DVL presenta discrepancias en relación a un Sistema de Referencia Vertical Global (SRVG). Alturas geométricas provenientes de posicionamiento satelital (GNSS), podrían ser usadas para la determinación de  alturas físicas si fuese conocida la relación entre el elipsoide de nivel (superficie de referencia para las alturas geométricas) y una superficie de referencia basada en el campo de la gravedad terrestre. Una aproximación a dicha relación es obtenida de la diferencia entre las alturas elipsoidales y niveladas (h-Hn). Los resultados obtenidos en el presente trabajo muestran que las Redes Neuronales Artificiales (RNA) son un método promisorio en la predicción de la relación geométrica h-Hn. El entrenamiento de una RNA multicapa ha sido realizado, la información de base proviene de registros de la RNF de Ecuador (RNFE) asociados a observaciones GPS (GPS/nivelación), los resultados muestran que la predicción de h-Hn puede ser realizada registrando errores máximos de 7 cm.

  • English

    Level heights of the national vertical networks (NVR), is the base for the establishment of the fundamental vertical reference datum of each country. When these heights are not associated to observations of terrestrial gravity field (purely geometric characteristics), they lose usefulness in solving problems related to regional and global physical phenomena generated due to the dynamic of the Earth System. In addition, different Local Vertical Datums (LVD) does not materialize the same reference, because the determination of mean sea level (MSL) in each LVD generates discrepancies in relation to a Global Vertical Reference System (GVRS). Geometrical heights from satellite-based positioning (GNSS), could be used for the determination of physical heights whether the relationship between the reference ellipsoid (reference surface for the determination of geometrical heights) and the reference surface based on terrestrial gravity field exists. One approximation to that relation is obtained from the difference between the ellipsoidal and level heights (hHn). The present study shows that the Artificial Neural Networks (ANN) are a suitable alternative for the prediction of geometrical heights based on this approximation. The multilayer ANN training was performed from the basic information come from records of the Ecuadorian NVR (NVRE) associated with GPS observa tions (GPS/Levelling). The results show that the prediction of heights has a maximum error of 7 cm

  • português

    As alturas niveladas pertencentes às Redes de Nivelamento Fundamental  (RNF), são a base para o estabelecimento da referência vertical fundamental de cada país. Quando estas alturas não estão associadas a observações do campo de gravidade terrestre, tendo portanto características puramente geométricas, perdem utilidade na solução de problemas relacionados com fenômenos de carácter regional y global vinculados  com  a  dinâmica  do  Sistema  Terra.  Adicionalmente,  diferentes DataVerticais Locais (DVL) não materializam a mesma referência, devido a que o Nível Médio do Mar determinado em cada DVL apresenta discrepâncias em relação a um Sistema de Referência Vertical Global (SRVG). Alturas geométricas oriundas do posicionamento por satélite (GNSS), poderiam ser usadas para a determinação de alturas físicas se fosse conhecida a relação entre o elipsoide de nível (superfície de referência para as alturas geométricas) e uma superfície de referência baseada no campo da gravidade terrestre. Uma aproximação a esta relação é obtida pela dife-rença entre as alturas elipsoidais e niveladas (h-Hn). Os resultados obtidos no pre-sente trabalho, mostram que as Redes Neurais Artificiais (RNA) são um método útil na predição da relação geométrica h-Hn. O treinamento de uma RNA multicamada foi realizada em base à informação proveniente dos registros de RNF de Equador (RNFE) associados a observações GPS (GPS/nivelamento). Os resultados mostram que a predição de h-Hn pode ser realizada registrando erros máximos de 7 cm.