Implementación de un modelo geoidal local con algoritmos de machine learning para ajustar la precisión vertical en mediciones GNSS de levantamientos topográficos en Salcedo

Abstract

El objetivo de esta investigación es implementar un modelo de geoide local con algoritmos de machine learning para ajustar la precisión vertical en mediciones GNSS de levantamientos topográficos en Salcedo, y los objetivos específicos son: describir la precisión antes de la implementación del modelo, implementar el modelo en una sola etapa y describir la precisión después de la implementación del modelo. La investigación que se ha desarrollado es de tipo aplicada, con un nivel de estudio experimental y un diseño: cuantitativo, experimental, prospectivo y transversal; realizado con una muestra de 48 puntos de control en Salcedo – Puno, ubicado en la zona 19 Sur del Sistema de Coordenadas UTM - WGS84. Como técnica para recolectar los datos, se empleó nivelación geométrica y mediciones post proceso cinemático y los instrumentos que se emplearon fueron un nivel de Ingeniero Leica NA532 y un receptor South Galaxy G1. La implementación del modelo mejoró considerablemente la precisión vertical de las mediciones GNSS en comparación con las mediciones previas a la implementación del modelo. Los modelos generados con el algoritmo de regresión polinomial y bosques aleatorios realizan los mejores ajustes para datos desconocidos, conforme a la métrica de error “raíz del error cuadrático medio” se obtuvo que la predicción de ambos algoritmos ajusta a 0.0054326 metros y 0.0135975 metros respectivamente. Para la validación de los modelos, se usó el estadístico de prueba “z” y “t” ambos con una prueba de hipótesis para diferencias de medias con un nivel de significancia del 5%. Finalmente, la implementación de un modelo con algoritmos de machine learning, puede ser una herramienta eficaz para mejorar la precisión vertical en levantamientos topográficos.