Tải file PDF Tác giả
Đơn vị công tác
1 Trường Đại học Mỏ - Địa chất; leductinh@humg.edu.vn; dothiphuongthao@humg.edu.vn; nguyengiatrong@humg.edu.vn
2 Công ty Cổ phần Tư vấn Xây dựng Điện; ducthangp10pecc1@gmail.com
3 Cục Chuyển đổi số và Thông tin Dữ liệu Tài nguyên Môi trường, Bộ Tài nguyên và Môi trường; dangtronghop244@gmail.com
4 Nhóm nghiên cứu Trắc địa cao cấp - môi trường, Trường Đại học Mỏ - Địa chất
*Tác giả liên hệ: nguyengiatrong@humg.edu.vn; Tel.: +84–963124980
Tóm tắt
Nghiên cứu này đánh giá khả năng ứng dụng của mô hình học sâu CNN(Conv1D), CNN(Conv3D) trong phân tích dữ liệu 3D thay đổi theo thời gian với trường hợp điển hình là chuỗi dữ liệu GNSS theo thời gian. Theo đó, dữ liệu thu nhận được của trạm GNSS CORS có tên HYEN từ 10/8/2019 đến 18/3/2022 sau khi được xử lý bằng phần mềm Gamit/Globk để nhận được các thành phần tọa độ N, E, h hàng ngày. Nghiên cứu sử dụng ngôn ngữ lập trình python, với các hàm thư viện như pandas, sklearn, tensorflow… Nghiên cứu đã xây dựng mô đun chương trình dự đoán cho mô hình CNN(Conv1D), CNN(Conv3D). Kết quả thực nghiệm cho thấy, mô hình học sâu cho hiệu quả dự đoán tốt hơn dù tỷ lệ phân chia dữ liệu giữa tập dữ liệu huấn luyện với tập dữ liệu kiểm tra (60% - 40%) so với tỷ lệ tương ứng của mô hình ANN cao hơn (80% - 20%). Hiệu suất của mô hình CNN(Conv3D) khi dự đoán chuỗi dữ liệu GNSS theo thời gian thấp hơn so với kết quả dự đoán sử dụng mô hình CNN(Conv1D). Tuy nhiên, khi đưa thêm thời gian làm 1 lớp của dữ liệu đầu vào, hiệu suất dự đoán với mô hình CNN(Conv3D) được cải thiện một cách rõ nét. Các thông số đặc trưng cho hiệu suất dự đoán của mô hình CNN(Conv1D) như RMSE = 0,67 mm, MAE = 0,53 mm, R2 = 99,7% là rất cao chứng tỏ hiệu quả của mô hình trong dự đoán chuỗi dữ liệu GNSS theo thời gian.
Từ khóa
Trích dẫn bài báo
Tình, L.Đ.; Thảo, Đ.T.P.; Thắng, T.Đ.; Hợp, Đ.T.; Trọng, N.G. Đánh giá hiệu suất của mô hình CNN(Conv1D), CNN(Conv3D) trong phân tích dữ liệu GNSS. Tạp chí Khí tượng Thủy văn 2025, 771, 55-64.
Tài liệu tham khảo
1. Phong, D.V.; Trọng, N.G.; Chiến N.V.; Thành N.H.; Hà, L.L.; Quân, N.V., Quang, P.N. Phân tích chuyển dịch thẳng đứng vỏ Trái đất sử dụng hàm ANN từ kết quả xử lý chuỗi dữ liệu GNSS theo thời gian. Tạp chí Khí tượng Thủy văn 2023, 752, 42–50.
2. Trọng, N.G.; Quý, B.N. Phân tích chuỗi dữ liệu nghiệm triều sử dụng mạng nơ ron hồi tiếp với nút có cổng (GRU). Tạp chí Khí tượng Thủy văn 2024, 765, 39–46.
3. Alevizakou, E.G.; Siolas, G.; Pantazis, G. Short-term and long-term forecasting for the 3D point position changing by using artificial neural networks. ISPRS Int. J. Geo-Inf. 2018, 7(3), 86.
4. Guo, S.; Lin, Y.; Li, S.; Chen, Z.; Wan, H. Deep Spatial–Temporal 3D Convolutional Neural Networks for Traffic Data Forecasting. IEEE Trans. Intell. Transp. Syst. 2019, 20(10), 3913–3926.
5. Faraji, M.; Nadi, S.; Ghaffarpasand, O.; Homayoni,S. An integrated 3D CNN-GRU deep learning method for short-term prediction of PM2.5 concentration in urban environment. Sci. Total Environ. 2022, 834, 155324.
6. Çelebi, M.; Öztürk, S.; Kaplan, K. An emotion recognition method based on EWT-3D–CNN–BiLSTM-GRU-AT model. Comput. Biol. Med. 2024, 169, 107954.
7. Elbaz, K.; et al. Real time image-based air quality forecasts using a 3D-CNN approach with an attention mechanism. Chemosphere 2023, 333, 138867.
8. Lopez-Martin, M.; Clainche, S.L.; Carro, B. Model-free short-term fluid dynamics estimator with a deep 3D-convolutional neural network. Expert Syst. Appl. 2021, 177, 114924.
9. Yu, F.; Hao, H.; Li, Q. An Ensemble 3D convolutional neural network for spatiotemporal soil temperature forecasting. Sustainability 2021, 13(16), 9174.
10. Mejia, J.; Ochoa-Zezzati, A.; Cruz-Mejía, O. Traffic forecasting on mobile networks using 3D convolutional layers. Mobile Networks Appl. 2020, 25(6), 2134–2140.
11. Lê, H.M.; et al. Chuyển động hiện đại vỏ trái đất theo số liệu GPS liên tục tại Việt Nam và khu vực Đông Nam Á. Tạp chí Các khoa học Trái đất 2014, 36(1), 1–13.
12. Tinh, L.D.; Quoc, H.N.D.; Trong, N.G. Exploring the training results of machine learning models using different batch sizes and epochs: A case study with GNSS time series data. J. Hydro-Meteorol. 2024, 19, 90–99.
13. Trọng, N.G.; Nghĩa, N.V.; Khải, P.C.; Thành, N.H.; Hà, L.L.; Dũng, V.T.; Quân, N.V.; Quang, P.N. Xác định chuyển dịch trên phạm vi lãnh thổ Việt Nam dựa vào dữ liệu của các trạm CORS thuộc mạng lưới VNGEONET. Tạp chí Khí tượng Thủy văn 2022, 739, 59–66.
14. Cetin, S.; Aydin, C.; Dogan, U. Comparing GPS positioning errors derived from GAMIT/GLOBK and Bernese GNSS software packages: A case study in CORS-TR in Turkey. Surv. Rev. 2019, 51(369), 533–543.
15. Dương, N.A.; Kimata, F.; Tô, T.Đ.; Xuyên, N.Đ.; Nguyên, P.Đ.; Hải. V.Q.; Công, D.C. Đánh giá chuyển động hiện đại đới đứt gãy Lai Châu-Điện Biên sử dụng chuỗi số liệu đo GPS 2002-2010. VN J. Earth Sci. 2011, 33(4), 690–694.
16. Chollet, F. Deep learning with Python. Simon and Schuster, 2021.
17. Mittal, S. A survey of accelerator architectures for 3D convolution neural networks. J. Syst. Archit. 2021, 115, 102041.
18. Alpaydin, E. Introduction to machine learning, MIT Press, 2020.
19. Kelleher, J.D. Deep learning, MIT Press, 2019.
20. Lawhead, J. Learning Geospatial Analysis with Python: Understand GIS fundamentals and perform remote sensing data analysis using Python 3.7. Packt Publishing Ltd, 2019.
21. Campesato, O. Python 3 for Machine Learning. Mercury Learning and Information, 2020.
22. Chen, D.Y. Pandas for everyone: Python data analysis. Addison-Wesley Professional, 2017.
23. Raschka, S.; Mirjalili, V. Python machine learning: Machine learning and deep learning with Python, scikit-learn, and TensorFlow 2. Packt publishing Ltd, 2019.
24. Wang, J.; Nie, G.; Gao, S.; Wu, S.; Li, H.; Ren, X. Landslide deformation prediction based on a GNSS time series analysis and recurrent neural network model. Remote Sens. 2021, 13(6), 1055.
25. Gao, W.; Li, Z.; Chen, Q.; Jiang, W.; Feng, Y. Modelling and prediction of GNSS time series using GBDT, LSTM and SVM machine learning approaches. J. Geod. 2022, 96(10), 71.