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

• Autores: Mamani Cutipa, Ronie David, Roman Quispe, Yefrin Rosmel
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad Nacional Del Altiplano
• Repositorio: UNAP-Institucional
• Lenguaje: español
• OAI Identifier: oai:https://repositorio.unap.edu.pe:20.500.14082/20161
• Enlace del recurso: https://repositorio.unap.edu.pe/handle/20.500.14082/20161
• Nivel de acceso: acceso abierto
• Materia: Algoritmos; Geoide; Machine Learning; Precisión vertical; https://purl.org/pe-repo/ocde/ford#1.00.00

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.