Investigadores vinculados a la Administración Nacional Oceánica y Atmosférica (NOAA) han presentado AutoCF, un nuevo algoritmo diseñado para automatizar el análisis de series temporales de coordenadas de las estaciones de referencia GNSS de funcionamiento continuo (CORS). Probado con datos de 3.226 estaciones de todo el mundo, el método demostró una precisión de ajuste de modelos a nivel milimétrico y redujo considerablemente la necesidad de realizar análisis manuales.
La investigación, publicada el 10 de octubre de 2026 en la revista Earth and Space Science de la Unión Geofísica Americana, aborda un desafío creciente para los organismos geodésicos nacionales y los operadores de redes GNSS: mantener la precisión de las coordenadas de las estaciones de referencia a medida que las redes se expanden y las posiciones de las estaciones cambian con el tiempo.
Desarrollado por Richard A. Bennett, Phillip K. McFarland, Amy Whetter y Jordan Krcmaric, AutoCF combina técnicas estadísticas consolidadas con un enfoque iterativo para detectar cambios inesperados en las coordenadas. Su principal ventaja es la capacidad de identificar y modelar desplazamientos de las estaciones sin necesidad de que los analistas revisen manualmente cada historial de coordenadas.
Por qué importa la estabilidad de las coordenadas CORS
Las estaciones de referencia GNSS proporcionan la base de posicionamiento para la topografía, la ingeniería, la cartografía, la agricultura de precisión y muchas otras aplicaciones que requieren coordenadas geográficas fiables. Aunque estas estaciones suelen considerarse puntos de referencia fijos, sus posiciones reales pueden cambiar con el tiempo.
Los movimientos tectónicos, los terremotos, las sustituciones de antenas, los fallos de los equipos y las condiciones ambientales pueden provocar desplazamientos graduales o cambios bruscos en las coordenadas. Incluso las variaciones pequeñas adquieren importancia cuando las aplicaciones dependen de un posicionamiento con precisión centimétrica.
Por tanto, las coordenadas de las estaciones de referencia requieren una supervisión continua y modelos matemáticos que describan cómo evolucionan sus posiciones. Estos modelos, conocidos como funciones de coordenadas, tienen en cuenta la velocidad de desplazamiento a largo plazo de las estaciones, las variaciones periódicas y los eventos de desplazamiento repentino.
Tradicionalmente, la identificación de cambios inesperados ha requerido un examen manual considerable de las series temporales de coordenadas GNSS. A medida que las redes de referencia crecen hasta alcanzar miles de estaciones, resulta cada vez más difícil mantener este procedimiento de forma sistemática.
AutoCF se desarrolló específicamente para abordar este problema operativo.
Cómo funciona el algoritmo AutoCF
AutoCF utiliza una combinación de regresión LASSO (Least Absolute Shrinkage and Selection Operator) y regresión Ridge para distinguir los desplazamientos significativos de las estaciones del ruido de medición y otras variaciones.
En lugar de tratar todos los cambios de coordenadas como eventos equivalentes, el algoritmo separa varios componentes del movimiento de las estaciones, incluidas las tendencias a largo plazo, las variaciones no lineales suaves y los desplazamientos posicionales bruscos.
Su secuencia de procesamiento comienza identificando posibles discontinuidades en el registro de coordenadas. A continuación, la regresión LASSO reduce el número de eventos potenciales, mientras que la regresión Ridge ayuda a estimar el comportamiento subyacente de las coordenadas.
El algoritmo endurece progresivamente sus criterios de selección mediante iteraciones sucesivas. En los casos habituales, el proceso alcanza una solución en tres a cinco iteraciones.
Una característica técnica importante es el tratamiento del desplazamiento en tres dimensiones. Al considerar la dirección del movimiento potencial en las componentes este, norte y vertical, AutoCF puede distinguir con mayor eficacia los desplazamientos persistentes de una estación de las observaciones anómalas aisladas.
Esto es importante porque los movimientos reales provocados por terremotos pueden parecer errores de medición cuando se evalúan mediante componentes individuales de coordenadas.
El método también separa las señales de deformación gradual de los desplazamientos bruscos, lo que reduce el riesgo de que un componente matemático absorba incorrectamente los efectos de otro.
Pruebas GNSS en 3.226 estaciones
Los investigadores desarrollaron inicialmente AutoCF utilizando registros de coordenadas de 60 estaciones situadas en el sur de California y el oeste de Nevada. Estas estaciones habían experimentado desplazamientos asociados a cuatro grandes terremotos, incluida la secuencia sísmica de Ridgecrest de 2019.
Para evaluar si el método podía funcionar fuera de su entorno de desarrollo original, los investigadores lo aplicaron posteriormente a un conjunto independiente de datos de 3.226 estaciones de referencia GNSS procesadas por el National Geodetic Survey de la NOAA.
El conjunto de validación incluía aproximadamente 2.000 estaciones en Norteamérica y otras 1.200 distribuidas por el resto del mundo. Incorporaba observaciones recopiladas entre 1996 y finales de 2022, que abarcaban diferentes tecnologías de receptores, configuraciones de instalación, entornos geológicos y condiciones climáticas.
Los residuos medianos de la raíz del error cuadrático medio ponderado (WRMS) entre las coordenadas modeladas y observadas fueron de aproximadamente 1 mm en horizontal y 4 mm en vertical. Estos resultados indican que el algoritmo puede reproducir con gran fidelidad el movimiento observado de las estaciones en un conjunto de datos geográficamente diverso.
De las 3.226 estaciones, 2.639, aproximadamente el 82 %, cumplieron los criterios de aceptación automatizados. Las 587 estaciones restantes, que representaban el 18 % del conjunto de datos, fueron señaladas para una revisión humana debido a residuos excesivos en las coordenadas o a un número inusualmente elevado de cambios de posición detectados.
La mayoría de las estaciones problemáticas tenían historiales de observación relativamente cortos o una dispersión considerable de las coordenadas entre semanas consecutivas, lo que dificultaba la elaboración de modelos matemáticos fiables.
La investigación también comparó las velocidades horizontales resultantes de las estaciones con soluciones geodésicas independientes. En 231 estaciones comunes, las soluciones mostraron una concordancia de aproximadamente 0,2 mm por año, lo que demuestra que el procedimiento automatizado puede producir resultados coherentes con los métodos de análisis establecidos.
Detección de desplazamientos por terremotos
Uno de los aspectos técnicamente más importantes de AutoCF es su capacidad para identificar discontinuidades en las coordenadas sin necesitar una base de datos completa de terremotos conocidos o cambios en los equipos de las estaciones.
Los investigadores evaluaron esta capacidad utilizando registros de estaciones afectadas por grandes eventos sísmicos. En el conjunto de datos del sur de California, AutoCF identificó cambios de posición asociados al terremoto de Hector Mine de 1999 y a la secuencia sísmica de Ridgecrest de 2019.
Es importante destacar que el método no asignó automáticamente desplazamientos a todos los terremotos conocidos. En una de las estaciones analizadas, no identificó ningún desplazamiento asociado al terremoto más lejano de El Mayor-Cucapah de 2010.
Esta distinción es esencial para un modelado geodésico fiable. La magnitud de un terremoto o su proximidad geográfica no significan necesariamente que una estación de referencia determinada haya experimentado un desplazamiento permanente medible.
Al evaluar directamente las observaciones de coordenadas, AutoCF reduce la dependencia de suposiciones sobre qué eventos externos deberían haber afectado a cada estación.
Qué significa AutoCF para las redes CORS y RTK
El valor práctico de AutoCF va más allá de los estudios científicos sobre movimientos tectónicos. La precisión de las coordenadas de las estaciones es fundamental para la integridad de la infraestructura de correcciones GNSS, especialmente cuando los usuarios necesitan un posicionamiento uniforme durante períodos prolongados.
Para los operadores de redes CORS, el análisis automatizado podría simplificar el mantenimiento de los historiales de coordenadas de las estaciones de referencia, identificar cambios de posición relacionados con modificaciones de equipos no documentadas y facilitar las actualizaciones periódicas de los marcos de referencia nacionales.
Para los servicios RTK, los beneficios serían más indirectos, pero potencialmente importantes. Una estación cuyas coordenadas publicadas ya no representen su posición modelada puede introducir errores sistemáticos de posicionamiento en los servicios de corrección.
AutoCF podría ayudar a los operadores a identificar estas discrepancias, pero es importante distinguir entre el modelado de coordenadas y la generación de correcciones RTK en tiempo real. El algoritmo no sustituye al software de procesamiento RTK en red, a los modelos de corrección atmosférica ni a la supervisión de integridad en tiempo real.
Analiza observaciones históricas de las coordenadas de las estaciones para construir modelos más fiables de cómo cambian esas coordenadas con el tiempo.
También existe una limitación operativa importante: la investigación no demuestra que AutoCF pueda detectar inmediatamente cambios de coordenadas durante el funcionamiento de un servicio de correcciones en directo. Los resultados demostrados proceden de un análisis retrospectivo de series temporales de coordenadas.
Automatización sin perder el control geodésico
La característica más interesante de AutoCF no es únicamente su rendimiento residual a nivel milimétrico. Ya es posible alcanzar una precisión comparable mediante métodos consolidados de análisis geodésico. El avance más importante es la capacidad de aplicar decisiones de modelado coherentes a miles de estaciones, reservando la intervención humana para los casos más complejos.
Este enfoque ofrece una vía realista para ampliar la gestión de las infraestructuras GNSS. A medida que las redes crecen, el mantenimiento de los historiales de coordenadas de las estaciones requiere un esfuerzo considerable para identificar movimientos anómalos, investigar sus causas y actualizar los modelos de referencia.
Sin embargo, la tasa del 18 % de estaciones que requieren revisión manual merece atención. Demuestra que la automatización sigue siendo sensible a la calidad de los datos, especialmente en estaciones con historiales operativos cortos u observaciones inestables.
Otra distinción importante es que unos residuos de ajuste bajos no demuestran por sí solos la precisión absoluta de las coordenadas. Un modelo matemático puede reproducir fielmente las observaciones medidas sin eliminar los errores sistemáticos presentes en los datos GNSS originales.
Desde una perspectiva operativa, AutoCF parece especialmente prometedor como herramienta de control de calidad y mantenimiento de marcos de referencia, más que como un sustituto completamente autónomo de los especialistas en geodesia.
Su importancia podría aumentar si métodos similares se integran en los sistemas habituales de gestión de redes CORS, permitiendo a los operadores mantener modelos de coordenadas coherentes en grandes infraestructuras regionales y nacionales.
En el momento de la publicación, el National Geodetic Survey de la NOAA había aprobado la publicación del código de implementación del algoritmo, aunque todavía no se habían anunciado ni la fecha de lanzamiento ni la ubicación del repositorio.
Acerca del National Geodetic Survey de la NOAA
El National Geodetic Survey (NGS) forma parte del National Ocean Service de la NOAA y es responsable del mantenimiento del Sistema Nacional de Referencia Espacial de Estados Unidos (NSRS), la base geodésica que respalda el posicionamiento preciso, la cartografía, la topografía y el desarrollo de infraestructuras.
El NGS gestiona la red CORS de la NOAA, una infraestructura GNSS cooperativa respaldada por numerosas organizaciones federales, estatales, académicas y privadas. Sus operaciones geodésicas incluyen observaciones satelitales continuas, determinación de coordenadas, materialización de marcos de referencia y seguimiento de los movimientos de la corteza terrestre a largo plazo.
La investigación sobre AutoCF utilizó observaciones de 3.226 estaciones aportadas por más de 200 organizaciones, con datos históricos que abarcan aproximadamente 27 años. Esto proporcionó un conjunto de datos excepcionalmente diverso para evaluar el modelado automatizado de coordenadas GNSS en condiciones operativas reales.
