Predicción de alturas geoidales geométricas por redes neuronales artificiales

Abstract

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.