Desarrollo de un framework para la construcción de modelos predictivos para la corrección del error ionosférico en sistemas gnss

Abstract

Los sistemas GNSS se refieren a las constelaciones GPS, GLONASS, Beidu y Galileo, cada una integrada por un conjunto de satélites que transmiten señales recibidas por antenas en la tierra cuyo tiempo de transmisión es utilizado para estimar la distancia al satélite y, de esta forma, calcular la posición por triliteración. Pero las señales se ven afectadas por distintas causas durante su recorrido e inducen errores en el posicionamiento obtenido. Entre el 30% y 70% del error típico en posicionamiento viene dado por el retardo de las señales causado por la ionización de la radiación solar en la atmósfera superior de la tierra generando electrones libres que modifican el grado de ionización de la ionósfera y perturban las señales emitidas por los satélites. El 99% del retardo ionosférico puede ser eliminado por un receptor de doble frecuencia, usado para calcular el contenido total de electrones TEC que se encuentran desde el satélite hasta el receptor. En cambio los receptores de una sola frecuencia de consumo masivo no tienen esta posibilidad, debiendo utilizar modelos que predicen el TEC y estiman su retardo producido en la señal reduciendo un 50% el error. Este trabajo tiene dos objetivos: (1) construir mapas globales TEC usando redes de receptores GNSS de doble frecuencia; y (2) producir modelos basados en técnicas de machine learning para predecir el VTEC para su uso con receptores de una frecuencia. Los mapas TEC obtenidos muestran una gran similitud con los generados a nivel global por los servicios de la NASA1, SWS2 y NIGGG3; y las predicciones de nuestros modelos aproximan el valor real reduciendo el error usando modelos locales. De esta manera, el framework facilita el estudio y predicción del comportamiento de la ionósfera especialmente en las zonas tropicales en donde la ionósfera presenta mayor actividad y comportamiento más desconocido.