برآورد سرعت نقاط مجازي ژيودتيك بر پايه الگوريتم پس‌انتشار خطاي شبكه هاي عصبي مصنوعي (مطالعه موردي: منطقه شمال باختر ايران)

Estimation of Geodetic Virtual Velocity Based On Back Propagation Artificial Neural Networks (Case Study: NW Iran)

مطالعات ژيوديناميك در ايران به‌طور جدي از سال 1377 با استقرار شبكه هاي موردي GPS براي پايش تغييرات پوسته زمين آغاز شد. پس از استقرار شبكه ژيوديناميك سراسري در سال 1385، هر ساله ميدان سرعت ايستگاه هاي دايمي GPS اين شبكه توسط سازمان نقشه برداري كشور محاسبه و گزارش مي شود. براي توليد سرعت نقاط ژيودتيك در هر نقطه دلخواه ديگر، به دليل تراكم پايين ايستگاه هاي دايمي GPSكشور، نياز به ايستگاه هاي جديد با مشاهدات بيشتر يا استفاده از روش هاي مدرن و هوشمند است. از آنجاكه ايجاد ايستگاه هاي جديد مستلزم صرف هزينه و زمان زياد است، بنابراين به‌كارگيري روش هاي تخمين مي تواند جايگزين مناسبي قلمداد شود. از جمله اين روش ها مي‌توان شبكه هاي عصبي مصنوعي را نام برد. مهم‌ترين مزيت هاي اين روش يادگيري شبكه ها، پردازش موازي و انعطاف‌پذيري محاسبات است. بدين منظور در اين پژوهش، با انتخاب 42 ايستگاه دايمي GPS در شمال باختر كشور، ميدان سرعت منطقه با دو روش تخمين "پس‌انتشار خطاي شبكه هاي عصبي مصنوعي" و "كالوكيشن" در دو مدل متفاوت برآورد و مقايسه شدند. نتايج حاصل نشان مي دهند در مدل اول با تراكم ايستگاه هاي مرجع كمتر روش "پس‌انتشار خطاي شبكه هاي عصبي مصنوعي" با جذر خطاي ميانگين مربعي در حدود 2± ميلي‌متر خاوري، 5/3 ± ميلي‌متر شمالي به علت دارا بودن جذر خطاي ميانگين مربعي كمتر، نسبت به روش "كالوكيشن" برتري دارد. همچنين در مدل دوم"پس‌انتشار خطاي شبكه هاي عصبي مصنوعي" داراي جذر خطاي ميانگين مربعي در حدود 1± ميلي‌متر خاوري، 5/1± ميلي‌متر شمالي بوده و روشي جايگزين براي تخمين ميدان سرعت نسبت به روش هاي تخمين كلاسيك است.

In order to study the crustal movements in Iran, establishment of several campaign GPS networks in 1998 seriously initiated geodynamical activities. After that in 2005, a network of ~120 permanent GPS stations named Iranian Permanent GPS Network (IPGN) has been installed to complete the campaign GPS networks already existing in Iran. Thanks to all campaign and continuous GPS sites, there are many geodetic velocity vectors indicating kinematic behavior of the crust at their positions. Now, the main question is about geodetic velocity for any other arbitrary station. Evidently, the best reliable solution is installing more GPS stations and recording satellite signals, which need considerable cost and time. Another solution, which could be an appropriate alternative, is applying some modern and smart estimation methods such as “Artificial Neural Networks (ANN)”. The main advantages of ANN method are capability learning of networks, parallel processing and computation flexibility. Based on 42 GPS velocity vectors existing in NW Iran, we estimated new velocity vectors for some arbitrary positions in study area by using two estimation methods: “Back Propagation Artificial Neural Networks (BPANN)” and “Collocation”. This estimation was run in 2 models including 2 different reference stations but the same check points. The results from model 1 (with fewer reference points) showed BPANN’s RMSE in E and N components is ±2 mm and ±3.5 mm respectively, which is less than Collocation’s RMSE. The results from model 2 (with more reference points) showed BPANN’s RMSE in E and N components increased to ±1 mm and ±1.5 mm respectively. Therefore, it seems BPANN method could be considered as a good alternative to estimate geodetic velocity field relative to other classical estimation methods.