O uso de machine learning para detecção de descontinuidades nas séries temporais das coordenadas da RBMC

The use of machine learning for detecting descontinuities in RBMC station coordinate time series

Resumo

As observações GNSS coletadas pela RBMC possibilitam estimar com precisão milimétrica as coordenadas diárias de suas estações, e consequentemente séries temporais robustas capazes de prover a determinação de deslocamentos geodinâmicos como os movimentos das placas litosféricas, assim como os efeitos de marés terrestres, oceânicas e atmosféricas. Porém, descontinuidades presentes nas séries podem indicar alterações nas coordenadas de referência da estação, e precisam ser consideradas quando significativas. Eventos como trocas de antenas e terremotos são as principais fontes causadoras de descontinuidades nas séries temporais. Neste trabalho, avaliamos a capacidade dos algoritmos de machine learning de identificar automaticamente descontinuidades causadas por trocas de antenas. Foram avaliados cinco métodos sendo que o Random Forest foi o que apresentou o melhor resultado com um índice F1-Score de 0.78 e a identificação correta de 77,5% das descontinuidades registradas com valores maiores ou iguais a 1 cm. Este estudo mostrou que o machine learning é capaz de classificar padrões a partir das séries temporais de coordenadas da RBMC, mas sua qualidade depende de um tratamento adequado dos dados, assim como, de representatividade dos eventos a serem modelados.