عنوان پایان‌نامه
مقا یسه روش های مختلف تعیین سطح تصحیح ارتفا ع ژئو دتیک مطا لعه موردی شهر تهران
- رشته تحصیلی
- مهندسی عمران- نقشه برداری- ژئودزی(هیدروگرافی)
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 2911;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 68232
- تاریخ دفاع
- ۱۷ دی ۱۳۹۳
- دانشجو
- سپیده رهبر
- استاد راهنما
- محمدعلی شریفی
- چکیده
- در طول دهه‌های گذشته، GPS در بسیاری از کاربردهای ژئودزی، ژئوفیزیکی و نقشه‌برداری مورد استفاده قرار گرفته است. مشاهدات GPS دارای مختصات ژئودتیک می‌باشند. از طرفی ارتفاع بیضوی حاصل از GPS جزء ارتفاعات هندسی و فاقد معنای فیزیکی بوده و در کاربردهای مهندسی قابل استفاده نمی‌باشد. در نتیجه نیازمند نوع دیگری از ارتفاع تحت عنوان ارتفاع ارتومتریک هستیم که به صورت فیزیکی تعریف می‌گردد. مزیت اصلی ترازیابی، دقت بالای آن است ولی از طرفی اندازه‌گیری‌های ترازیابی نیازمند صرف هزینه، زمان و نیروی انسانی زیادی است. بنابراین یک راه دیگر برای دستیابی به ارتفاعات ارتومتریک به کمک اندازه‌گیری‌های GPS، تعیین سطح تصحیح ارتفاع ژئودتیک در یک منطقه می‌باشد. به طور کلی دو روش برای تبدیل ارتفاعات بیضوی به ارتفاعات ارتومتریک وجود دارد که شامل روش هندسی و روش ثقل‌سنجی می‌باشد. در این پایان‌نامه با استفاده از روش‌های هندسی به تعیین سطح تصحیح ارتفاع ژئودتیک با استفاده از داده‌های GPS/leveling پرداخته شده است. بدین معنی که در یک سری نقاط مبنا ارتفاعات بیضوی و ارتفاعات ارتومتریک موجود می‌باشند. از آنجاییکه ارتفاعات سه‌گانه بیضوی، ارتومتریک و ژئوئید دارای یک رابطه خطی با یکدیگر هستند، می‌توان با کمک این رابطه نوسانات ژئوئید را در نقاط مبنا محاسبه کرده و در نهایت با بهره‌گیری از روش‌های درون‌یابی به تعیین سطح تصحیح ارتفاع ژئودتیک در آن منطقه پرداخت. در این پایان‌نامه ابتدا در مورد روش‌های توابع پایه شعاعی شامل روش Multiquadric وThin Plate Spline توضیحات کاملی داده شده است. در روش MQ پارامتری به نام پارامتر شکل وجود دارد که توسط کاربر تعیین می‌گردد. روش‌های مختلفی برای تعیین این پارامتر، از جمله میانگین مربعات فواصل بین داده‌ها یا استفاده از روش cross validation ارائه گردیده است. در ادامه، شبکه عصبی مصنوعی به عنوان روش دیگری برای تعیین سطح تصحیح مورد بررسی قرار گرفته است. شبکه‌های عصبی انواع مختلفی دارند ولی مرسوم‌ترین نوع شبکه عصبی که برای درون‌یابی مورد استفاده قرار می‌گیرد، شبکه عصبی پرسپترون چند لایه می‌باشد. بدین منظور در این پایان‌نامه از یک شبکه عصبی پرسپترون سه لایه جهت درون‌یابی و تعیین سطح تصحیح استفاده شده است. به عنوان مطالعه موردی، داده‌های کشور هلند و شهر تهران مورد بررسی قرار گرفته و سطح تصحیح ارتفاع ژئودتیک آنها با بهره‌گیری از روش‌های MQ، TPS و پرسپترون سه لایه محاسبه می‌گردند. مقدار RMS حاصل از این روش‌ها برای هر دو منطقه مورد مطالعه با یکدیگر مقایسه شده و روشی که کمترین RMS را دارا باشد به عنوان روش دقیق‌تر انتخاب می‌شود. در نهایت معیاری برای سنجش صحت روش‌های مذکور ارئه می‌گردد. به کمک تابع peaks در نرم‌افزار MATLAB یک سری داده آماری تولید شده و با استفاده از روش‌های MQ، TPS و شبکه پرسپترون سه لایه درون‌یابی در این شبکه داده آماری صورت می‌گیرد و مقدار میانگین خطای نسبی حاصل از هر سه روش با یکدیگر مقایسه می‌شوند. کلمات کلیدی: GPS/levelling، درون‌یابی، تابع پایه شعاعی، شبکه عصبی، پس‌انتشار
- Abstract
- During last decades, the GPS has been used in many applications of geodesy, geophysics and surveying. But the ellipsoidal height which is provided by GPS is a geometric height and doesn’t have a physical meaning and can’t be used in engineering applications. So we need another type of height named as orthometric height which is one of physical heights and is provided by spirit levelling. Main advantage of levelling is its high accuracy but on the other hand, levelling measurements spend so much time, cost and labor work. So another way to reach orthometric heights from GPS measurements is to determine geodetic height correcting surface in the region. Generally, there are two methods to transform the ellipsoidal heights to orthometric heights which are geometric approach and gravimetric approach. In this research, geometric approach is used in order to determine a correcting surface from GPS/Levelling data. To do so, some reference points with known ellipsoidal and orthometric heights are used. Since there is a linear relation between triplet heights of ellipsoidal, orthometric and geoid heights, one can calculate the geoid undulation by means of that equation and finally determine the geodetic height correcting surface by using interpolation methods. In this research, firstly basic definitions and equations of the radial basis functions containing Multiquadric and Thin Plate Spline methods are explained. In MQ method there is a parameter naming shape parameter which is defined by the user. There are different ways to determine the shape parameter which the mean quadratic distance between the data centers or cross validation procedure are explained. Then, the artificial neural network is defined as the other method to determine the correcting surface. Neural networks have different types but the multilayer perceptron neural network is the most common method for interpolation. So in this research a 3 layer perceptron neural network is used. As the case study, GPS/levelling data of the Netherlands and Tehran are analyzed and their geodetic height correcting surfaces are calculated by means of MQ, TPS and 3 layer perceptron methods. Then the RMS values of those methods are compared with each other and the method with the lowest RMS is defined as the most accurate method in that area. Finally, the precision of the methods are calculated. A set of data is produced with the use of the peaks function of MATLAB and the data is interpolated with the MQ, TPS and 3 layer perceptron methods and the mean relative errors of the methods are compared with each other. Keywords: GPS/Levelling, interpolation, radial basis function, neural network, back propagation
