Ein Team von Wissenschaftlern am Wadia Institute of Himalayan Geology, einem autonomen Institut unter dem Department of Science and Technology (DST), stellte am Dienstag maschinelles Lernen (ML)-Techniken zur Modellierung von Krustendehnungen über dem Tibetischen Plateau vor. Die Techniken halfen den Forschern, die Geschwindigkeitsvektoren solcher Bewegungen vorherzusagen und die Charakterisierung der Plattenbewegungen zu verbessern. Typischerweise wird ein dichtes Netzwerk von kontinuierlich arbeitenden Referenzstationen (CORS) verwendet, um Krustendeformationen kontinuierlich zu überwachen. Kampagnenmodus-GPS-Vermessungen werden oft verwendet, um das bestehende CORS-Netzwerk zu verdichten.
Die Wissenschaftler des Wadia Institute setzten stattdessen ML-Techniken wie Support Vector Machines, Entscheidungsbäume und Gaußsche Prozessregression ein, um Krustenbewegungen genau zu modellieren. In der Studie analysierte das Team Daten von 1.271 permanenten kontinuierlichen und Kampagnenmodus-GPS-Stationen auf dem Tibetischen Plateau und in den umliegenden Gebieten. Die Ergebnisse, veröffentlicht in der Zeitschrift “Journal of Asian Earth Sciences”, zeigen die “Wirksamkeit dieser ML-Techniken bei der Vorhersage von Geschwindigkeitsvektoren – Ostgeschwindigkeit und Nordgeschwindigkeit – und der Verbesserung der Charakterisierung von Plattenbewegungen”.
Die Korrelation zwischen den vorhergesagten und tatsächlichen Geschwindigkeitsvektoren war sehr zufriedenstellend, was diese ML-Vorhersagemodelle zuverlässig für die Schätzung geodätischer Geschwindigkeitsvektoren macht. Basierend auf den datengetriebenen Trends aus den bereits trainierten Modellen fütterten die Wissenschaftler die Standorte beliebiger GPS-Stationen ein und prognostizierten die Ost- und Nordgeschwindigkeit an diesen Standorten. Der ML-Algorithmus zeigt eine bemerkenswerte Leistung im Bereich geodätischer Studien auf kostengünstige Weise.