APLICACIÓN DE REDES NEURONALES ARTIFICIALES PARA LA PREDICCIÓN DE LA PRECISIÓN GNSS ESTÁTICA EN FUNCIÓN DE LA DISTANCIA DE LÍNEA BASE Y EL TIEMPO DE OBSERVACIÓN

Abstract

Los levantamientos topográficos mediante GNSS estático en zonas de alta altitud, como el municipio de El Alto, Bolivia (~4150 m s.n.m.), enfrentan incertidumbres operativas debido a la falta de normativas técnicas sobre tiempos de sesión y distancias óptimas de línea base.

Esta investigación analiza experimentalmente el efecto combinado de la distancia de la línea base (5–55 km) y el tiempo de sesión (15–120 min) en la precisión de mensuras GNSS, utilizando 144 observaciones obtenidas con receptores de doble frecuencia.

El objetivo fue identificar las condiciones que permiten alcanzar precisiones subcentimétricas y desarrollar una herramienta predictiva para la planificación de levantamientos. Los resultados muestran que la precisión (medida mediante RMS 3D y desviación estándar) disminuye significativamente con mayores distancias, especialmente en la componente vertical (Z), y mejora con tiempos de sesión más prolongados, aunque con rendimientos decrecientes más allá de los 60 minutos.

Se logró precisión subcentimétrica (<1 cm) en líneas base cortas (<10 km) con sesiones ≥45 min. Además, se desarrolló una red neuronal en Python (Google Colab) que predice la precisión esperada a partir de distancia y tiempo, alcanzando un coeficiente de determinación (R²) de 0.92. Este modelo permite optimizar la planificación de campañas topográficas, reduciendo costos y mejorando la eficiencia operativa en contextos geográficos similares.