1. JGD
  2. Всі випуски
  3. 1(38)2025
  4. Виявлення геодинамічних аномалій у часових рядах ГНСС з використанням методів машинного навчання

Виявлення геодинамічних аномалій у часових рядах ГНСС з використанням методів машинного навчання

JGD.
2025;
Випуск 1(38)2025, Номер 1(38)
: 37-48
https://doi.org/10.23939/jgd2025.01.037
Надіслано: Квітень 12, 2025
Автори:
  1. Іван Брусак
  2. Каміль Масюк
  3. Олег Гайдусь
1
Кафедра вищої геодезії та астрономії, Національний університет “Львівська політехніка”
2
Гірничо-металургійна академія імені Станіслава Сташиця
3
Національний університет «Львівська політехніка»

Однією з прикладних геодезичних задач для геодинаміки є виявлення аномальних відхилень у часових рядах ГНСС, що можуть свідчити про деформації земної поверхні спричинені впливом різних геофізичних явищ. Важливо зазначити, що геодинамічні аномалії можуть мати локальний характер та проявлятися лише на одній ГНСС-станції або регіональний характер і проявлятися одночасно у групі часових ГНСС- рядів. Метою цієї статті є розроблення методу виявлення геодинамічних аномалій у часових рядах ГНСС з використанням алгоритмів машинного навчання. Метод реалізований у середовищі Python та дозволяє аналізувати великі масиви даних у напівавтоматичному режимі. Серед методів машинного навчання для цього було обрано алгоритм Ізоляційного Лісу. У дослідженні детально описано покроковість роботи програми та її етапи, що дозволяє аналізувати не лише окремий часовий ряд для виявлення локальних аномалій, але й проводити аналіз групи часових рядів для виявлення спільних одночасних геодинамічних аномалій. Розроблений метод апробовано на даних 37 ГНСС-станцій мережі GeoTerrace, розташованих у західній частині України. За результами виявлено сім окремих групових горизонтальних та висотних аномалій. Встановлено, що одна з виявлених аномалій співпадає з попередньо дослідженими висотними деформаціями земної кори спричиненими неприливними атмосферними навантаженнями у грудні 2019 року. Приведені карти просторового розподілу виявлених групових висотних аномалій у листопаді 2022 року та січні 2023 року. Частина аномалій на деяких ГНСС-станціях має невідому природу, можливо, спричинену ще не ідентифікованими локальними геодинамічними факторами чи помилками вимірів. Окрім того, що запропонований метод може зацікавити геофізиків та геологів для виявлення спільних геодинамічних аномалій, він має потенціал для використання в структурному моніторингу великих інженерних об'єктів за даними мереж ГНСС-станцій.

часові серії GNSS станцій
геодинамічні аномалії
виявлення аномалій
алгоритми машинного навчання
Ізоляційний ліс
ГНСС-мережа GeoTerrace
  1. Bem, A. (2024). Seasonal variations of permanent stations in close vicinity to tectonic plate boundaries. Journal of Applied Geodesy. Advance online publication. https://doi.org/10.1515/JAG-2024-0080
  2. Bhardwaj, S. C., Shekhar, S., Vidyarthi, A., & Prakash, R. (2020). Satellite navigation and sources of errors in positioning: A review. In 2020 International Conference on Advances in Computing, Communication & Materials (ICACCM) (pp. 1-7). https://doi.org/10.1109/ICACCM50413.2020.9212941
  3. Breiman, L. (2001). Random forests. Machine Learning, 45(5-32). https://doi.org/10.1023/A:1010933404324
  4. Brusak, I., & Tretyak, K. (2020). About the phenomenon of subsidence in continental Europe in December 2019 based on the GNSS stations data. In International Conference of Young Professionals “GeoTerrace-2020” (Vol. 2020, No. 1, pp. 1-5). European Association of Geoscientists & Engineers. https://doi.org/10.3997/2214-4609.20205717
  5. Brusak, I., & Tretyak, K. (2021). On the impact of non-tidal atmospheric loading on the GNSS stations of regional networks and engineering facilities. In International Conference of Young Professionals “GeoTerrace-2021” (Vol. 2021, No. 1, pp. 1-5). European Association of Geoscientists & Engineers. https://doi.org/10.3997/2214-4609.20215K3013
  6. Brusak, I., Babchenko, V., Savchuk, N., Marchuk, V., Shkvarok, Y., & Turianytsia, M. (2024). New challenges for exploitation of continuously operating reference GNSS stations during hostilities. Case study of Ukraine. Geodesy Cartography and Aerial Photography, (99), 28-37. https://doi.org/10.23939/istcgcap2024.99.028
  7. Butt, J., Wieser, A., Gojcic, Z., & Zhou, C. (2021). Machine learning and geodesy: A survey. Journal of Applied Geodesy, 15(2), 117–133. https://doi.org/10.1515/jag-2020-0043
  8. Costantino, G., Giffard-Roisin, S., Dalla Mura, M., & Socquet, A. (2024). Denoising of geodetic time series using spatiotemporal graph neural networks: Application to slow slip event extraction. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. Advance online publication. https://doi.org/10.48550/arXiv.2405.03320
  9. Doskich, S. (2021). Deformations of the land crust of the Carpathian region according to the data of GNSS observation. Geodesy Cartography, and Aerial Photography, 93(1), 35-41. https://doi.org/ 10.23939/istcgcap2021.93.035
  10. Doskich, S., Savchuk, S., Dzhuman, B. (2023) Determination of horizontal deformation of the Earth's crust on the territory of Ukraine based on GNSS measurements. Geodynamics, 2 (35), pp. 89-98. https://doi.org/10.23939/jgd2023.02.089
  11. Doskich, S., & Serant, O. M. (2024). Verification of GNSS stations from the GeoTerrace network for further geodynamic studies using PS-NETM software. In International Conference of Young Professionals “GeoTerrace-2024” (Vol. 2024, No. 1, pp. 1-5). European Association of Geoscientists & Engineers. https://doi.org/10.3997/2214-4609.2024510008
  12. Earth System Modelling at GFZ. (n.d.). Retrieved April 19, 2025, from http://esmdata.gfz-potsdam.de
  13. Haidus, O., & Brusak, I. (2024). Development of the method for detecting anomalies in GNSS time series using machine learning algorithms. Modern Achievements of Geodesic Science and Industry, 2(48), 67–75. https://doi.org/10.33841/1819-1339-2-48-67-75
  14. Haidus, O., Maciuk, K., & Brusak, I. (2024). Semi-automatic anomaly detection in GNSS time series using machine learning algorithms. In International Conference of Young Professionals “GeoTerrace-2024” (Vol. 2024, No. 1, pp. 1-5). European Association of Geoscientists & Engineers. https://doi.org/10.3997/2214-4609.2024510048
  15. Hariri, S., Kind, M., & Brunner, R. (2021). Extended isolation forest. IEEE Transactions on Knowledge and Data Engineering, 33(4), 1479–1489. https://doi.org/10.1109/TKDE.2019.2947676
  16. Heizmann, M., & Braun, A. (2022). Implementing machine learning: Chances and challenges. Automatisierungstechnik. https://doi.org/10.1515/auto-2021-0149
  17. Khoda, O. (2024). Estimation of velocities of Ukrainian GNSS stations in the IGb08 reference frame. Kinematics and Physics of Celestial Bodies, 40(5), 257–268. https://doi.org/10.3103/S0884591324050039
  18. Li, M., Su, M., Zhang, B., & Yue, Y. (2025). Research on a DBSCAN-IForest optimisation-based anomaly detection algorithm for underwater terrain data. Water, 17(5), 626. https://doi.org/10.3390/w17050626
  19. Liu, F., Ting, K., & Zhou, Z.-H. (2008). Isolation forest. In Eighth IEEE International Conference on Data Mining (pp. 413–422). IEEE. https://doi.org/10.1109/ICDM.2008.17
  20. Liu, F., Ting, K., & Zhou, Z.-H. (2012). Isolation-based anomaly detection. ACM Transactions on Knowledge Discovery from Data, 6(1), 3. https://doi.org/10.1145/2133360.2133363
  21. Maciuk, K. (2016). The study of seasonal changes of permanent station coordinates based on weekly EPN solutions. Artificial Satellites, 51(1), 1–18. https://doi.org/10.1515/arsa-2016-0001
  22. Michel, A., Santamaría-Gómez, A., Boy, J. P., Perosanz, F., & Loyer, S. (2021). Analysis of GNSS displacements in Europe and their comparison with hydrological loading models. Remote Sensing, 13(22), 4523. https://doi.org/10.3390/rs13224523
  23. Nguyen, H. D. Q., & Tran, T. D. (2023). Detecting outliers in GNSS position time series using machine learning techniques. Journal of Mining and Earth Sciences, 64(4), 22–30. https://doi.org/10.46326/JMES.2023.64(4).03
  24. Nguyễn, H. D. Q., Pham, Q. N., Tran, V. D., et al. (2024). Application of outlier detection methods in GNSS time series analysis. Inżynieria Mineralna, (2), 95–102. https://doi.org/10.29227/IM-2024-02-95
  25. Özbey, V., Ergintav, S., & Tarı, E. (2024). GNSS time series analysis with machine learning algorithms: A case study for Anatolia. Remote Sensing, 16(17), 3309. https://doi.org/10.3390/rs16173309
  26. Özarpacı, S., Kılıç, B., Bayrak, O. C., et al. (2024). Machine learning approach for GNSS geodetic velocity estimation. GPS Solutions, 28, 65. https://doi.org/10.1007/s10291-023-01607-1
  27. Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830.
  28. Pierdicca, R., & Paolanti, M. (2022). GeoAI: A review of artificial intelligence approaches for the interpretation of complex geomatics data. Geoscientific Instrumentation, Methods and Data Systems, 11, 195–218. https://doi.org/10.5194/gi-11-195-2022
  29. Pipitone, C., Maltese, A., Lo Brutto, M., & Dardanelli, G. (2023). A review of selected applications of GNSS CORS and related experiences at the University of Palermo (Italy). Remote Sensing, 15(22), 5343. https://doi.org/10.3390/rs15225343
  30. Ramavath, A. K., & Perumalla, N. K. (2023). A machine-learning approach to estimate satellite-based position errors. Journal of Applied Geodesy, 18(2), 335–344. https://doi.org/10.1515/jag-2023-0051
  31. Savchuk, S., Doskich, S., Gołda, P., & Rurak, A. (2023). The seasonal variations analysis of permanent GNSS station time series in the central-east of Europe. Remote Sensing, 15(15), 3858.
  32. Savchuk, S., Dvulit, P., Kerker, V., Michalski, D., & Michalska, A. (2024). Python Software Tool for Diagnostics of the Global Navigation Satellite System Station (PS-NETM)–Reviewing the New Global Navigation Satellite System Time Series Analysis Tool. Remote Sensing, 16(5), 757.
  33. Savchyn, I., Otruba, Y., & Tretyak, K. (2021). The first Ukrainian permanent GNSS station in Antarctica: Processing and analysis of observation data. Ukrainian Antarctic Journal, (2), 3–11. https://doi.org/10.33275/1727-7485.2.2021.674
  34. Savchyn, I., Tretyak, K., Petrov, S., Zaiats, O., & Brusak, I. (2019). Monitoring of mine fields at Stebnyk potassium deposit area by a geodetic and geotechnical method. In First EAGE Workshop on Assessment of Landslide and Debris Flows Hazards in the Carpathians (Vol. 2019, No. 1, pp. 1-5). European Association of Geoscientists & Engineers. https://doi.org/10.3997/2214-4609.201902169
  35. Search Earthquake Catalog at USGS. (n.d.). Retrieved April 19, 2025, from https://earthquake.usgs.gov/earthquakes/search/
  36. Steigenberger, P. (2017). Accuracy of current and future satellite navigation systems (Doctoral dissertation). Technische Universität München.
  37. Tretyak, K., Bisovetskyi, Y., Savchyn, I., Korlyatovych, T., Chernobyl, O., & Kukhtarov, S. (2024a). Monitoring of spatial displacements and deformation of hydraulic structures of hydroelectric power plants of the Dnipro and Dnister cascades (Ukraine). Journal of Applied Geodesy, 18(2), 345–357.
  38. Tretyak, K., Brusak, I., & Babchenko, V. (2024b). Recent deformations of the Earth’s crust in Ukraine based on GNSS network data from GeoTerrace and SYSTEM.NET. Geodynamics, 2(37), 56–68. https://doi.org/10.23939/jgd2024.02.056
  39. Williams, S. D. P., & Penna, N. T. (2011). Non-tidal ocean loading effects on geodetic GPS heights. Geophysical Research Letters, 38(14). https://doi.org/10.1029/2011GL047791