Establishing a Real-time Precise Point Positioning Early Warning System

Abstract

[ES] Los sistemas de alerta temprana en tiempo real son instrumentos claves para vigilar posibles desastres geológicos como terremotos, tsunamis, actividades volcánicas, hundimiento del terreno o deslizamientos de ladera. Durante las últimas décadas, el número de personas afectadas por los diversos desastres geológicos ha aumentado de forma sustancial. Las consecuencias negativas de estos desastres afectan a la población y a las infraestructuras con diferentes niveles de gravedad, pudiendo llegar a tener un impacto elevado en pérdidas humanas y económicas. Sin embargo, los sistemas de alerta temprana tienen la capacidad de proporcionar avisos adecuados y confiables, lo que puede llevar a minimizar las pérdidas humanas y económicas. El método de Posicionamiento Puntual Preciso en tiempo real (RT-PPP) desempeña un papel importante como parte de los sistemas de alerta temprana; debido a su capacidad para proporcionar seguimiento en tiempo real, cobertura global y su capacidad de obtención de mediciones precisas en tiempo real adquiridas por un solo receptor. A pesar de esto, el método (RT-PPP) utiliza productos para la corrección de la órbita y los relojes de los satélites (productos SSR) que son sensibles de los errores de la tecnología GNSS. Como consecuencia, estos errores pueden afectar la disponibilidad y fiabilidad de los sistemas de alerta temprana basados en la técnica RT-PPP. Debido a estos errores, se pueden llegar a generar avisos falsos, algunos de estos errores son: largos tiempos de inicialización, falta de continuidad y exactitud en los resultados, mala calidad de corrección de órbita y reloj de los satélites, mala resolución de la ambigüedad, etc. Además, la mala geometría de los satélites y la latencia de los productos SSR afectan gravemente el rendimiento del posicionamiento PPP en tiempo real. Este trabajo de investigación, se enfoca, en una primera parte, en el análisis de los efectos y los métodos de mitigación de la latencia de los productos de corrección en tiempo real. El International GNSS Service (IGS) proporciona productos oficiales para materializar la técnica de PPP en tiempo real, estos productos contienen correcciones para las órbitas y los relojes de los satélites que se generan como combinación de los calculados en los diferentes centros de cálculo repartidos por el mundo. Este proceso de combinación aumenta la latencia y, por tanto, su impacto en la solución RT-PPP, afectando el desempeño de cualquier sistema de alerta temprana basada en RT-PPP. Así, en esta tesis, se usará el enfoque de Aprendizaje Automático para resolver el problema de la latencia, intentando predecir los valores de las correcciones en los productos SSR para el tiempo de la latencia. Se han utilizado los modelos de Support Vector Regression (SVR) y de media móvil integrada autorregresiva (ARIMA) para la predicción, necesitando, en el proceso, la implantación de ventanas deslizantes para entrenar y parametrizar los modelos de aprendizaje automático. En cuanto al desempeño del sistema RT-PPP de alerta temprana, este trabajo de investigación ha evaluado, estadísticamente, varios modelos de aprendizaje automático, entre ellos los métodos de Árbol de decisión, Random Forest, Máquina de vectores de soporte (SVM), K vecinos más cercanos, Regresión logística, y el modelo de boosting extremo por gradientes (XGB). El análisis de los resultados indica que los modelo de XGB y Random Forest muestran los resultados más coherentes y precisos con 97 y 99 porciento de precisión. Asimismo, el modelo XGB muestra menos tendencia a iniciar falsas alarmas con un 2,48 por ciento en comparación con el 16,28 por ciento del modelo Random Forest.A partir de los resultados de la investigación, se derivan un conjunto de pruebas estadísticas para evaluar el desempeño de los sistemas de alerta temprana establecidos. Estas pruebas estadísticas pueden evaluar la capacidad de los modelos de aprendizaje automático utilizados con a la detecciónde deformaciones.

[CA] Els sistemes d'alerta primerenca en temps real són instruments claus per vigilar possibles desastres geològics com ara terratrèmols, tsunamis, activitats volcàniques, enfonsament del terreny o lliscaments de vessant. Durant les darreres dècades, el nombre de persones afectades pels diversos desastres geològics ha augmentat de manera substancial. Les conseqüències negatives d'aquests desastres afecten la població i les infraestructures amb diferents nivells de gravetat i poden arribar a tenir un impacte elevat en pèrdues humanes i econòmiques. Tot i això, els sistemes d'alerta primerenca tenen la capacitat de proporcionar avisos adequats i fiables, la qual cosa pot portar a minimitzar les pèrdues humanes i econòmiques. El mètode de Posicionament Puntual Precís en temps real (RT-PPP) té un paper important com a part dels sistemes d'alerta primerenca; a causa de la seva capacitat per proporcionar seguiment en temps real, cobertura global i la seva capacitat d'obtenció de mesuraments precisos en temps real adquirits per un sol receptor.Tot i això, el mètode RT-PPP utilitza productes per a la correcció de l'òrbita i els rellotges dels satèl·lits (productes SSR) que són sensibles als errors de la tecnologia GNSS. Com a conseqüència, aquests errors poden afectar la disponibilitat i la fiabilitat dels sistemes d'alerta primerenca basats en la tècnica RT-PPP. A causa d'aquests errors, es poden arribar a generar avisos falsos, alguns d'aquests errors són: llargs temps d'inicialització, manca de continuïtat i exactitud als resultats, mala qualitat de correcció d'òrbita i rellotge dels satèl·lits, mala resolució de l'ambigüitat, etc. A més, la mala geometria dels satèl·lits i la latència dels productes SSR afecten greument el rendiment del posicionament PPP en temps real. Aquest treball de recerca s'enfoca, en una primera part, a l'anàlisi dels efectes i els mètodes de mitigació de la latència dels productes de correcció en temps real. L'International GNSS Service (IGS) proporciona productes oficials per materialitzar la tècnica de PPP en temps real, aquests productes contenen correccions per a les òrbites i els rellotges dels satèl·lits que es generen com a combinació dels calculats als diferents centres de càlcul repartits pel món. Aquest procés de combinació augmenta la latència i, per tant, el seu impacte en la solució RT-PPP, afectant l'exercici de qualsevol sistema d'alerta primerenca basada en RT-PPP. Així, en aquesta tesi, s'usarà l'enfocament d'aprenentatge automàtic (Machine Learning) per resoldre el problema de la latència, intentant predir els valors de les correccions en els productes SSR per al temps de la latència. S'han utilitzat els models de Support Vector Regression (SVR) i de mitjana mòbil integrada autoregressiva (ARIMA) per a la predicció, necessitant, en el procés, la implantació de finestres lliscants per entrenar i parametritzar els models d'aprenentatge automàtic. Els resultats de la investigació de la part de la latència han indicat que els models SVR i ARIMA podran mitigar la influència de la latència per als principals sistemes de navegació per satèl·lit (GPS i GLONASS) al voltant d'un vint per cent. El model SVR va mostrar una lleugera tendència a predir valors atípics; tot i això, el temps d'execució del SVR és significativament menor que el temps de processament del model ARIMA. Pel que fa a desenvolupament del sistema RT-PPP d'alerta primerenca, aquest treball de recerca ha avaluat, estadísticament, diversos models d'aprenentatge automàtic, entre ells els mètodes d'Arbre de Decisió, Random Forest, Màquina de Vectors de Suport (SVM), K veïns més propers, Regressió Logística, i el model de Boosting Extrem per gradients (XGB).L'anàlisi dels resultats indica que els models de XGB i Random Forest mostren els resultats més coherents i precisos amb 97i99 porcent de precisió respectivament. Així mateix, el model XGB mostra menys tendència a iniciar falses alarmes amb un 2,48% en comparació del 16,28% del model RF.

[EN] Real-Time Early Warning Systems are a critical approach implemented for monitoring geo-hazard disasters such as earthquakes, tsunamis, volcanic activities, and land subsidence. The Earth's population has experienced a substantial increasement, consequently exposing a growing number of people to the effects of various geo-hazard disasters. These influences could impact citizens and countries at different severity levels, reaching high costs in terms of human beings and economic losses. However, the early warning system's ability to initiate proper and reliable warnings significantly impacts in disaster cost reductions in terms of saving lives, reducing home and infrastructure damages, and mitigating economic losses. Real-Time Precise Point Positioning (RT-PPP) plays a significant role as part of the Early Warning Systems, due to its potential to provide real-time tracking and global coverage and its reliance on precise real-time measurements acquired from only one receiver. However, the RT-PPP approach applies State Space Representation (SSR) products that are highly sensitive to several GNSS error sources. As a result, the warning system's availability and reliability are negatively impacted. It may even be triggered to issue false warnings by factors such as long initialization times, convergence losses, due to poor quality of orbital and clock corrections, ambiguity resolutions, or/and multipath error. Furthermore, poor satellite geometry and the latency of SSR products severely affect the performance of real-time PPP positioning. In this research, we investigated the effect and mitigation of latency on real-time correction products. The International GNSS Services (IGS) provides official real-time products for RT-PPP; these products contain clock and orbit corrections, among others, and they are the main research concerns as the combination process increases the latency impact on both RT-PPP results and influences the early warning systems performance based on this positioning technique. In this research, investigations into the potentiality of using machine learning approaches to overcome latency problems were carried out. The research examines the Support Vector Regression (SVR) and Autoregressive Integrated Moving Average (ARIMA) machine learning models to predict the corrections broadcasted in SSR products that have a big capability in order to be used instead of the corrections impacted with latency The research results regarding latency showed that the SVR and ARIMA models could mitigate the latency influences for the primary navigation satellite systems GPS and GLONASS by around twenty percent. The SVR model showed a tendency to predict outliers; however, the execution time for the SVR is significantly faster than the ARIMA model processing time. Regarding the performance of the RT-PPP early warning system, the research statistically evaluates several machine learning models, including decision tree, random forest, support vector classifier, K nearest neighbors, logistic regression, and extreme gradient boosting models as machine learning approaches for establishing an early warning system. The extreme gradient boosting and random forest models were more accurate than the other utilized models, with 97 and 99 percent overall accuracy. At the same time, the extreme gradient boosting showed less tendency to initiate false alarms, with 2.48 percent compared to 16.28 percent for the random forest model. From the research findings, we derived a set of statistical assessments to evaluate the performance of the established early warning systems. These statistical assessments can evaluate the ability of the utilized machine learning models regarding deformation detections and the model's tendency to initiate false warnings. The study's results confirmed that extreme gradient boosting is the most effective machine learning technique for creating an early warning system.