ژئودزی
سید رضا غفاری رزین؛ نوید هوشنگی
چکیده
در این مقاله کارائی مدلهای 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 میگیرد. برای انجام اینکار، مختصات ژئودتیکی 26 ایستگاه از شبکه شمالغرب ایران که ارتفاع اورتومتریک (Ho) آنها نیز با ترازیابی درجه یک توسط سازمان ...
بیشتر
در این مقاله کارائی مدلهای 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 میگیرد. برای انجام اینکار، مختصات ژئودتیکی 26 ایستگاه از شبکه شمالغرب ایران که ارتفاع اورتومتریک (Ho) آنها نیز با ترازیابی درجه یک توسط سازمان نقشهبرداری کشور (NCC) اندازهگیری شده، مورد استفاده قرار گرفته است. در این ایستگاهها، تفاضل ارتفاع اورتومتریک از ارتفاع نرمال (h)، به عنوان ارتفاع ژئوئید (N) در نظر گرفته شده است. بنابراین ورودی مدلهای ANN، ANFIS، SVR و GRNN مختصات طول و عرض ژئودتیکی ایستگاهها بوده و خروجی متناظر با آن، ارتفاع ژئوئید است. آموزش مدلها با استفاده از 22 و 19 ایستگاه انجام گرفته است. به عبارت دیگر تعداد ایستگاههای آموزش متغیر بوده تا بتوان آنالیز دقیقتری از دقت مدلها را ارائه نمود. به منظور ارزیابی دقیقتر، نتایج با ژئوئید حاصل از مدل IRG2016 که توسط سازمان نقشهبرداری کشور تولید شده، مقایسه میشوند. ارزیابیهای انجام گرفته نشان میدهد که در حالت 22 ایستگاه آموزش و 4 ایستگاه آزمون، RMSE مدلهای ANN، ANFIS، SVR، GRNN و IRG2016 در مرحله آزمون به ترتیب برابر با 37/32، 19/83، 49/34، 53/82 و 29/65 سانتیمتر شده است. اما در حالت 19 ایستگاه آموزش و 7 ایستگاه آزمون، مقادیر خطای مدلها به ترتیب برابر با 36/63، 58/31، 39/64، 41/29 و 24/68 سانتیمتر به دست آمده است. مقایسه RMSE نشان میدهد که مدل ANN با تعداد ایستگاههای آموزش کمتر، دقت بالاتری نسبت به مدلهای ANFIS، SVR و GRNN ارائه میدهد. نتایج این مقاله نشان میدهد که با استفاده از مدلهای ANN و ANFIS میتوان ارتفاع ژئوئید را با دقت بالایی به صورت محلی برآورد کرده و مورد استفاده قرار داد.