Proposed methodology for establishing an early GNSS warning system for real-time deformation monitoring

Abstract

[EN] Early Warning System (EWS) for monitoring megastructures deformation, natural hazards, earthquakes, and landslides can prevent economic and life losses. Nowadays, Real-Time Precise Point Positioning (RT-PPP) plays a vital role in this domain since it relies on precise real-time measurements derived from a single receiver, provides real-time monitoring and global coverage. Nevertheless, RT-PPP measurements and methodology is very sensitive to outliers in products, latencies and changes in the constellation geometry. Consequently, there are long initialization periods, losses of convergence and different noise sources, with a high impact on the warning system's availability or even led out to initiate false warnings. This study presents the first experiment to propose a methodology that can help the decision-makers confirm the warning based on the probability of the detected movement by using machine learning classification models. For this, in the first experiment, a laser engraving machine device was modified to simulate deformations. A control unit will be designed based on open-source software, Python libraries are implemented, and the G programming language used to control the device motions. All this research will be the background on which the early warning service will be developed.

[ES] Los sistemas de alerta temprana para la monitorización de deformaciones de estructuras, terremotos, movimientos de ladera u otro riego natural pueden prevenir pérdidas económicas y de vidas. El Posicionamiento Preciso de Punto en tiempo real (RT-PPP) ha demostrado ser útil en este escenario ya que se basa en medidas de precisión a partir de un único receptor, proporcionando cobertura global en tiempo real. A pesar de esto, la técnica RT-PPP es muy sensible a la precisión de los productos usados, latencia y cambios en la geometría de la constelación. Así, los periodos largos de inicialización de la técnica, la pérdida de convergencia de la solución o las diferentes fuentes de ruido, generan un gran impacto en la disponibilidad de un sistema de alerta temprana, pudiendo incluso generar falsas alarmas. Este trabajo presenta los primeros experimentos para generar un sistema de confirmación sobre una alerta temprana a partir de la probabilidad de detectar movimiento usado modelos de clasificación basados en técnicas de aprendizaje automático. Para esto, en un primer experimento, una máquina de grabado láser ha sido modificada para simular deformaciones. Se ha desarrollado una unidad de control basada en software libre, librerías de Python y el lenguaje de programación G que sirve para controlar los movimientos de la máquina. Este trabajo será la base sobre la que desarrollar, en un futuro, un servicio de alerta temprana.