Д. Серікбаев атындағы ШҚТУ сайты

АСТАНА ҚАЛАСЫНЫҢ ЖЕРГІЛІКТІ ГЕОИД МОДЕЛІНІҢ ДӘЛДІГІН МАШИНАЛЫҚ ОҚЫТУ ӘДІСТЕРІН ПАЙДАЛАНУ АРҚЫЛЫ АРТТЫРУ

Авторлар

Аты Тіркелу
Асет Уразалиев

«Ионосфера институты» ЖШС

Дания Шоганбекова

«Ионосфера институты» ЖШС

Мағжан Қожахметов

Қ.И. Сәтбаев атындағы Қазақ ұлттық техникалық зерттеу университетінің

Найля Жақсығұл

«Ионосфера институты» ЖШС

Журналдың саны:

Том 1, № 2, 2026

Беттер:

202-217

Қаралымдар:

4

Түйін сөздер:

модельдеу, геоид моделі, LSMSA, Гельмерт түрлендіруі, машиналық оқыту регрессорлары, гаусстық процестік регрессия, тірек векторлар регрессиясы

Аңдатпа

Жоғары дәлдікті өңірлік геоид моделін әзірлеу Қазақстанның биіктік негізін жаңғыртудың және ЖНСЖ деректері бойынша биіктікті анықтау тиімділігін арттырудың маңызды кезеңі болып табылады. Жұмыста Астана қаласы ауданы үшін жергілікті геоид моделін нақтылауға арналған, LSMSA гравиметриялық базалық шешімін және қалдық түзетулерді статистикалық модельдеуді біріктіретін гибридті тәсіл ұсынылған. Геоидтың базалық беті аддитивті түзетулері бар Стокс формуласын ең кіші квадраттар әдісімен модификациялау арқылы есептеліп, ЖНСЖ /Нивелирлеу бақылау пункттері бойынша тексеріледі. Бақылаулармен айырмашылықтарды азайту үшін қалдықтар негізінде 7-параметрлі Гельмерт түрлендіруі және машиналық оқыту регрессиялық модельдері (GPR, SVR, LSBoost) қолданылып, түзету беті құрылады. Тәуелсіз тестік таңдамада SVR үшін RMSE 0.062-ден 0.047 м-ге дейін төмендеді, бұл қателіктің 24%-ға азаюына сәйкес келеді. Нәтижелер ұсынылған схеманың қалдық қателердің шашырауын азайтып, геоид моделінің ЖНСЖ /Нивелирлеу деректерімен сәйкестігін жақсартатынын көрсетеді.

License

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

Пайдаланылған дереккөздер

  1. Abbak, R. A., & Ustun, A. (2015). A software package for computing a regional gravimetric geoid model by the KTH method. Earth science informatics, 8(1), 255-265. https://doi.org/10.1007/s12145-014-0149-3
  2. Abdalla, A., & Mogren, S. (2015). Implementation of a rigorous least-squares modification of Stokes’ formula to compute a gravimetric geoid model over Saudi Arabia (SAGEO13). Canadian journal of earth sciences, 52(10), 823-832. https://doi.org/10.1139/cjes-2014-0192
  3. 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
  4. Chen, F., Zhang, X., Guo, F., Zheng, J., Nan, Y., & Freeshah, M. (2022). TDS-1 GNSS reflectometry wind geophysical model function response to GPS block types. Geo-Spatial Information Science, 25(2), 312-324. https://doi.org/10.1080/10095020.2021.1997076
  5. El Shouny, A., Al-Karagy, E. M., Mohamed, H. F., & Dawod, G. M. (2018). Gis-based accuracy assessment of global geopotential models: A case study of Egypt. American Journal of Geographic Information System, 7(4), 118-124. https://doi.org/10.5923/j.ajgis.20180704.03
  6. Elshewy, M. A., Thanh, P. T., Elsheshtawy, A. M., Refaat, M., & Freeshah, M. (2024). A novel approach for optimizing regional geoid modeling over rugged terrains based on global geopotential models and artificial intelligence algorithms. The Egyptian Journal of Remote Sensing and Space Sciences, 27(4), 656-668. https://doi.org/10.1016/j.ejrs.2024.09.002
  7. Ghaffari-Razin, S. R., & Hooshangi, N. (2024). Efficiency of machine learning models in estimation of local geoid height with GPS/Leveling measurements. Scientific-Research Quarterly of Geographical Data (SEPEHR), 33(130), 99-117.
  8. Hu, Z., Zhang, Z., Sang, Y. F., Qian, J., Feng, W., Chen, X., & Zhou, Q. (2021). Temporal and spatial variations in the terrestrial water storage across Central Asia based on multiple satellite datasets and global hydrological models. Journal of Hydrology, 596, 126013. https://doi.org/10.1016/j.jhydrol.2021.126013
  9. Information system "State geodetic support" (2025). [cited March 5, 2026]. https://ggo.gov.kz/geoportal (In Russ.).
  10. Işık, M. S., Erol, B., Erol, S., & Sakil, F. F. (2021). High-resolution geoid modeling using least squares modification of Stokes and Hotine formulas in Colorado. Journal of geodesy, 95(5), 49. https://doi.org/10.1007/s00190-021-01501-z
  11. Konakoglu, B., & Akar, A. (2021). GEOID UNDULATION PREDICTION USING GAUSSIAN PROCESSES REGRESSION: A CASE STUDY IN A LOCAL REGION IN TURKEY. Acta Geodynamica et Geomaterialia, 18(1). https://doi.org/10.13168/AGG.2021.0001
  12. Konakoglu, B., & Akar, A. (2022). Prediction of geoid undulation using approaches based on GMDH, M5 model tree, MARS, GPR, and IDP. Acta Geodaetica et Geophysica, 57(2), 293-315. https://doi.org/10.1007/s40328-022-00378-4
  13. Li, H., Zhao, J., Yan, B., Yue, L., & Wang, L. (2022). Global DEMs vary from one to another: an evaluation of newly released Copernicus, NASA and AW3D30 DEM on selected terrains of China using ICESat-2 altimetry data. International Journal of Digital Earth, 15(1), 1149-1168. https://doi.org/10.1080/17538947.2022.2094002
  14. Liang, W., Li, J., Xu, X., Zhang, S., & Zhao, Y. (2020). A high-resolution Earth’s gravity field model SGG-UGM-2 from GOCE, GRACE, satellite altimetry, and EGM2008. Engineering, 6(8), 860-878. https://doi.org/10.1016/j.eng.2020.05.008
  15. Liu, Y., Zhang, Y., Pang, Q., Liu, S., Li, S., Shi, X., ... & Wu, Y. (2024). Gravity predictions in data-missing areas using machine learning methods. Remote Sensing, 16(22), 4173. https://doi.org/10.3390/rs16224173
  16. Open geospatial data of Republic of Kazakhstan (2025). [cited March 5, 2026]. https://map.gov.kz/ (In Russ.).
  17. Pham, H. T., Awange, J., Claessens, S., & Kuhn, M. (2025). Local hybrid geoid/quasigeoid development using machine learning with consideration of neighbour spatial characteristics. Survey Review, 1-33. https://doi.org/10.1080/00396265.2025.2543647
  18. Reguzzoni, M., Carrion, D., De Gaetani, C. I., Albertella, A., Rossi, L., Sona, G., ... & Sansó, F. (2021). Open access to regional geoid models: the International Service for the Geoid. Earth system science data, 13(4), 1653-1666. https://doi.org/10.5194/essd-13-1653-2021
  19. Shoganbekova, D., Urazaliyev, A., Nurakynov, S., Kozhakhmetov, M., Zhaksygul, N., & Sermiagin, R. (2025a). Combination of Soviet-Era Surface Gravity and Modern Satellite Data for Geoid Model Computation: A Case Study for Kazakhstan. Computation, 13(11), 260. https://doi.org/10.3390/computation13110260
  20. Shoganbekova, D., Urazaliyev, A., Sermiagin, R., Nurakynov, S., Kozhakhmetov, M., Zhaksygul, N., & Islyamova, A. (2025b). Evaluation of a Soviet-Era Gravimetric Survey Using Absolute Gravity Measurements and Global Gravity Models: Toward the First National Geoid of Kazakhstan. Geosciences, 15(10), 404. https://doi.org/10.3390/geosciences15100404
  21. Sjöberg, L. E. (2003). A general model for modifying Stokes’ formula and its least-squares solution. Journal of geodesy, 77(7), 459-464. https://doi.org/10.1007/s00190-003-0346-1
  22. Sjöberg, L. E., & Bagherbandi, M. (2017). Gravity inversion and integration. Cham, Switzerland: Springer International Publishing.
  23. Urazaliyev, A., Shoganbekova, D., Nurakynov, S., Kozhakhmetov, M., Zhaksygul, N., & Sermiagin, R. (2025). Hybrid Geoid Modelling with AI Enhancements: A Case Study for Almaty, Kazakhstan. Algorithms, 18(12), 737. https://doi.org/10.3390/a18120737
  24. Zaletnyik, P., Völgyesi, L., & Paláncz, B. (2008). Modelling local GPS/levelling geoid undulations using Support Vector Machines. Periodica polytechnica civil engineering, 52(1), 39-43. https://doi.org/10.3311/pp.ci.2008-1.06
  25. Zingerle, P., Pail, R., Gruber, T., & Oikonomidou, X. (2020). The combined global gravity field model XGM2019e: P. Zingerle et al. Journal of geodesy, 94(7), 66. https://doi.org/10.1007/s00190-020-01398-0

Том 1, № 2, 2026

Urazaliyev, А., Shoganbekova, D., Kozhakhmetov, M., & Zhaksygul, N. (2026). IMPROVING THE ACCURACY OF THE LOCAL GEOID MODEL OF THE ASTANA CITY USING MACHINE LEARNING METHODS. EKTU Journal of Engineering Sciences, 1(2), 202-217. https://doi.org/10.51885/3134-8009_JES_2026_2_15