Deep learning of GPS geodetic velocity

Sorkhabi, Omid Memarian; Alizadeh, Seyed Mehdi Seyed; Shahdost, Farzad Tat; Heravi, Hakimeh Morabbi

doi:10.1016/j.jaesx.2022.100095

Cited by 7 publications

(3 citation statements)

References 21 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Namun, walaupun telah ditanam dengan pola dan jarak yang ditentukan, sering kali produksi yang dihasilkan tanaman kelapa sawit per hektare tidak dapat mencapai potensi produksinya (Kumar et al, 2022;Li et al, 2022;Liang et al, 2021). Tidak tercapainya potensi produksi tersebut salah satunya dapat disebabkan karena tanaman yang ada dalam suatu luasan tidak seluruhnya merupakan pokok yang produktif, tetapi ada kemungkinan pokok tersebut adalah pokok abnormal, mati bahkan kosong (tidak terdapat tanaman) (Lv et al, 2022;Memarian et al, 2022;Muhammad et al, 2021). Oleh karena itu, di lakukanlah kegiatan penyisipan terhadap pokok non produktif maupun titik kosong yang dilaksanakan berdasarkan hasil kegiatan sensus pokok (Nezhadshahbodaghi & Mosavi, 2021;Olsen et al, 2022;Othman et al, 2021).…”

Section: Pendahuluanunclassified

“…Tahapan pelaksanaan dilakukan dengan dua macam metode, yaitu sensus pokok dengan menggunakan staple card dan sensus pokok dengan menggunakan GPS (Global Positioning System) (Memarian et al, 2022;Muhammad et al, 2021;Nezhadshahbodaghi & Mosavi, 2021). Adapun tahapan kerja dalam kajian sensus pokok menggunakan staple card adalah sebagai berikut (Li et al, 2022;Liang et al, 2021;Lv et al, 2022) Sedangkan untuk tahapan kerja dalam kajian sensus pokok menggunakan GPS adalah sebagai berikut (Jiang et al, 2021;Kenpankho et al, 2021;Kumar et al, 2022) Parameter yang diamati yaitu lamanya waktu yang dibutuhkan (waktu/ha), biaya (cost/ha), prestasi kerja (hk/ha) dan akurasi data yang dihasilkan (Gurbuz et al, 2021;Habibie et al, 2022;Halloran et al, 2021).…”

Section: Pelaksanaanunclassified

See 1 more Smart Citation

Metode Sensus Pokok Tanaman Kelapa Sawit Menggunakan Software Map Source Dan Autodesk Map

Stefano¹,

Endayani²,

Fathiah³

2023

View full text Add to dashboard Cite

Mendapatkan data tanaman yang akurat sesuai dengan kondisi real di lapangan perlu dilakukan kegiatan sensus pokok secara teliti. Pada umumnya hasil kegiatan sensus pokok dituang ke dalam form blangko sensus (staple card). Data yang dihasilkan sering kali tidak akurat. Sebagai upaya untuk menghasilkan data sensus pokok yang lebih akurat, digunakanlah GPS (Global Positioning System) sebagai alat sensus. Kajian ini dilakukan untuk menentukan metode sensus pokok yang efektif dan efisien antara menggunakan staple card dan menggunakan GPS. Metode yang digunakan dalam pelaksanaan kajian ini, yaitu dengan melakukan pengamatan dan observasi di lapangan mengenai kedua metode sensus pokok yang dikaji. Parameter yang diamati yaitu biaya, waktu dan tenaga yang dibutuhkan, serta akurasi data yang dihasilkan masing–masing metode. Hasil kajian menunjukkan bahwa sensus pokok menggunakan GPS akan lebih efisien dan efektif, serta dapat menghasilkan profit yang lebih besar bagi perusahaan yaitu Rp.204.674/ha/tahun.

show abstract

Section: Pendahuluanunclassified

Section: Pelaksanaanunclassified

Metode Sensus Pokok Tanaman Kelapa Sawit Menggunakan Software Map Source Dan Autodesk Map

Stefano¹,

Endayani²,

Fathiah³

2023

View full text Add to dashboard Cite

show abstract

“…In locations with no GNSS stations, conventional interpolation methods such as Kriging modeling have been generally used to estimate geodetic velocities. Recently, Artificial Neural Networks (ANNs), machine learning (ML), and deep learning (DL) techniques belonging to the artificial intelligence (AI) family have become alternatives in this area of geoscience (Konakoglu 2021;Sorkhabi et al 2022a). While these techniques are widely used across domains, relatively few studies have been conducted for predicting GNSS velocities.…”

Section: Introductionmentioning

confidence: 99%

Machine learning approach for GNSS geodetic velocity estimation

Özarpacı,

Kılıç,

Bayrak

et al. 2024

GPS Solut

View full text Add to dashboard Cite

This study aimed to investigate the performance of machine learning (ML) algorithms in determining horizontal velocity at specific points using the current Global Navigation Satellite System (GNSS) velocity field. To achieve this objective, the analysis utilized the most comprehensive velocity field available for Turkey, where 70% of the GNSS velocities was allocated for training the ML algorithms, while the remaining 30% was used for testing. Contrary to the previous research, the significance of considering the tectonic structure within the study area was emphasized at this point. To determine the tectonic structure of the horizontal velocity field in the region, a preliminary clustering procedure was conducted. Subsequently, distinct ML algorithms were trained using velocity fields associated with different tectonic plates. Moreover, to investigate the impact of the tectonic domain, the entire velocity field was also tested using ML algorithms without considering the tectonic structure. Four different ML algorithms, namely, Gradient Boosting Machines (GBM), LightGBM, Random Forest (RF), and eXtreme Gradient Boosting Machines (XGBoost), were employed to estimate the horizontal velocities (east and north components). The findings imply that incorporating the tectonic structure improved the performance of machine learning predictions, as indicated by the GBM algorithm's decreased root-mean-square error values. In addition, when the tectonic structure was taken into account, the accuracy assessment values for the RF and XGBoost algorithms in the east component decreased significantly. In terms of predicting GNSS velocities, the RF algorithm exhibited the lowest root-mean-square error values compared to other algorithms. The horizontal velocity differences between averages of the reference velocity field and the RF velocity estimates are maximum 0.4 mm/yr.

show abstract