ارزيابي كارائي مدل‌هاي يادگيري ماشين در برآورد ارتفاع ژئوئيد محلي با اندازه‌گيري‌هاي GPS/Leveling

در اين مقاله كارائي مدل‌هاي شبكه عصبي مصنوعي (ANN)، سيستم استنتاج عصبي-فازي سازگار (ANFIS)، رگرسيون بردار پشتيبان (SVR) و مدل شبكه عصبي رگرسيون عمومي (GRNN) در تعيين ارتفاع ژئوئيد محلي مورد ارزيابي قرار مي‌گيرد. براي انجام اينكار، مختصات ژئودتيكي 26 ايستگاه از شبكه شمال‌غرب ايران كه ارتفاع اورتومتريك (Ho) آنها نيز با ترازيابي درجه يك توسط سازمان نقشه‌برداري كشور (NCC) اندازه‌گيري شده، مورد استفاده قرار گرفته است. در اين ايستگاه‌ها، تفاضل ارتفاع اورتومتريك از ارتفاع نرمال (h)، به عنوان ارتفاع ژئوئيد (N) در نظر گرفته شده است. بنابراين ورودي مدل‌هاي ANN، ANFIS، SVR و GRNN مختصات طول و عرض ژئودتيكي ايستگاه‌ها بوده و خروجي متناظر با آن، ارتفاع ژئوئيد است. آموزش مدل‌ها با استفاده از 22 و 19 ايستگاه انجام گرفته است. به عبارت ديگر تعداد ايستگاه‌هاي آموزش متغير بوده تا بتوان آناليز دقيق‌تري از دقت مدل‌ها را ارائه نمود. به منظور ارزيابي دقيق‌تر، نتايج با ژئوئيد حاصل از مدل IRG2016 كه توسط سازمان نقشه‌برداري كشور توليد شده، مقايسه مي‌شوند. ارزيابي‌هاي انجام گرفته نشان مي‌دهد كه در حالت 22 ايستگاه آموزش و 4 ايستگاه آزمون، RMSE مدل‌هاي ANN، ANFIS، SVR، GRNN و IRG2016 در مرحله آزمون به ترتيب برابر با 37/32، 19/83، 49/34، 53/82 و 29/65 سانتي‌متر شده است. اما در حالت 19 ايستگاه آموزش و 7 ايستگاه آزمون، مقادير خطاي مدل‌ها به ترتيب برابر با 36/63، 58/31، 39/64، 41/29 و 24/68 سانتي‌متر به دست آمده است. مقايسه RMSE نشان مي‌دهد كه مدل ANN با تعداد ايستگاه‌هاي آموزش كمتر، دقت بالاتري نسبت به مدل‌هاي ANFIS، SVR و GRNN ارائه مي‌دهد. نتايج اين مقاله نشان مي‌دهد كه با استفاده از مدل‌هاي ANN و ANFIS مي‌توان ارتفاع ژئوئيد را با دقت بالايي به صورت محلي برآورد كرده و مورد استفاده قرار داد.