ارزیابی کارائی مدل های یادگیری ماشین در برآورد ارتفاع ژئوئید محلی با اندازه گیری های GPS/Leveling

در این مقاله کارائی مدل های شبکه عصبی مصنوعی (ANN)، سیستم استنتاج عصبی-فازی سازگار (ANFIS)، رگرسیون بردار پشتیبان (SVR) و مدل شبکه عصبی رگرسیون عمومی (GRNN) در تعیین ارتفاع ژئوئید محلی مورد ارزیابی قرار می گیرد. برای انجام اینکار، مختصات ژئودتیکی ۲۶ ایستگاه از شبکه شمال غرب ایران که ارتفاع اورتومتریک (Ho) آنها نیز با ترازیابی درجه یک توسط سازمان نقشه برداری کشور (NCC) اندازه گیری شده، مورد استفاده قرار گرفته است. در این ایستگاه ها، تفاضل ارتفاع اورتومتریک از ارتفاع نرمال (h)، به عنوان ارتفاع ژئوئید (N) در نظر گرفته شده است. بنابراین ورودی مدل های ANN، ANFIS، SVR و GRNN مختصات طول و عرض ژئودتیکی ایستگاه ها بوده و خروجی متناظر با آن، ارتفاع ژئوئید است. آموزش مدل ها با استفاده از ۲۲ و ۱۹ ایستگاه انجام گرفته است. به عبارت دیگر تعداد ایستگاه های آموزش متغیر بوده تا بتوان آنالیز دقیق تری از دقت مدل ها را ارائه نمود. به منظور ارزیابی دقیق تر، نتایج با ژئوئید حاصل از مدل IRG۲۰۱۶ که توسط سازمان نقشه برداری کشور تولید شده، مقایسه می شوند. ارزیابی های انجام گرفته نشان می دهد که در حالت ۲۲ ایستگاه آموزش و ۴ ایستگاه آزمون، RMSE مدل های ANN، ANFIS، SVR، GRNN و IRG۲۰۱۶ در مرحله آزمون به ترتیب برابر با ۳۷/۳۲، ۱۹/۸۳، ۴۹/۳۴، ۵۳/۸۲ و ۲۹/۶۵ سانتی متر شده است. اما در حالت ۱۹ ایستگاه آموزش و ۷ ایستگاه آزمون، مقادیر خطای مدل ها به ترتیب برابر با ۳۶/۶۳، ۵۸/۳۱، ۳۹/۶۴، ۴۱/۲۹ و ۲۴/۶۸ سانتی متر به دست آمده است. مقایسه RMSE نشان می دهد که مدل ANN با تعداد ایستگاه های آموزش کمتر، دقت بالاتری نسبت به مدل های ANFIS، SVR و GRNN ارائه می دهد. نتایج این مقاله نشان می دهد که با استفاده از مدل های ANN و ANFIS می توان ارتفاع ژئوئید را با دقت بالایی به صورت محلی برآورد کرده و مورد استفاده قرار داد.

کلیدواژه ها:

ژئوئید ، مدل ANN ، مدل ANFIS ، مدل SVR ، مدل GRNN ، ارتفاع اورتومتریک