共查询到20条相似文献,搜索用时 31 毫秒
1.
针对GPS坐标时序数据中存在的共模误差(CME),研究利用堆栈滤波(SF)、网络反演滤波(NIF)和主成分分析(PCA)三种方法进行剔除,以提高GPS监测区域地表位移的精度. 通过构建GPS坐标时序模型,去除明显构造运动,提取噪声残差时序,将隐含在噪声残差时序中的区域CME利用SF、NIF、PCA方法提取出来. 以日本房总半岛2019—2021年GPS坐标时序为例,比较三种方法和GPS站点空间分辨率对CME提取的影响,分析CME去除前后慢滑移地表位移的变化. 研究结果表明:SF、NIF、PCA方法提取CME的结果基本一致;GPS站点空间分辨率降低,提取的CME离散度增大;CME对慢滑移地表水平位移的大小和方向均会产生影响,需进行剔除. 相似文献
2.
3.
利用小波工具剔除噪声的思想对全球部分GPS测站坐标残差序列进行应用试验。通过选取特定的阈值和小波基函数,成功提取出GPS测站坐标残差序列的一些非线性周期规律,对于进一步深入研究GPS测站坐标非线性变化规律有重要意义。 相似文献
4.
本文分析了中国地壳运动观测网络GPS基准站及中国周边IGS连续站坐标中的周期性噪声,在北、东和垂向分量坐标时间序列中均发现了周期约351/n(n=1,…,6)天的正弦项,而地表质量负荷造成的位移序列中并没有对应的成分,不能解释异常周期项的来源。在估计台站的运动速率时,如考虑此类"异常"周期项,速率误差略微减小,而周年项振幅的估计误差显著增大,且残差离散度未见明显改善。因此,不推荐在GPS速率矢量反演中加入异常周期项参数。 相似文献
5.
6.
环渤海地区GPS台站时间序列分析 总被引:2,自引:1,他引:1
环渤海区域环境和气候复杂多变,随着地区和区域的不同,地质、地貌间的差异较大。探究该地区GPS台站时间序列的变化规律和台站的主要噪声类型、频谱规律显得尤为重要。本文基于该区域内所积累的连续数年运行的GPS测站数据,采用GAMIT/GLOBK软件进行解算和平差,获得每一个台站的坐标时间序列,并使用Lomb周期图法分析了该区域台站的频谱特性和周期特性。最后通过对频率和功率谱线性拟合分析研究了台站的噪声类型。此方法对台站时间序列去除噪声和进一步研究测站的运动规律提供了理论依据。 相似文献
7.
噪声分析对GPS时间序列分析有着重要影响,然而针对时间跨度较长的大尺度GPS网的共模误差相关研究较少。本文选取了平均基线长度大于2000 km的欧洲地区9个GPS台站2006-2014年的数据,使用主成分分析法剔除坐标时间序列的共模误差,同时利用极大似然估计的方法对滤波前后的时间序列进行了噪声分析。结果表明,欧洲地区广域GPS网的噪声模型存在多样性,各个分量具有不同的噪声特性,主要表现为白噪声+闪烁噪声、白噪声+幂率噪声,少部分台站N、E两个方向含有随机漫步噪声。经过空间滤波后,部分台站最优噪声模型发生改变,但仍以白噪声+闪烁噪声、白噪声+幂率噪声为主。滤波对N、E方向速度场影响为0.2 mm/a,U方向速度场影响为0.5 mm/a。 相似文献
8.
对于GPS区域网坐标序列中普遍存在的共模误差(CME),常规方法是利用堆栈空间滤波去除,通常假设CME是空域不变的;而主成分分析法(PCA)和Karhunen-Loeve(KLE)展开法都是把随时间变化的台站网时间序列分解成时间域的主分量和空间域的特征分量,不限制CME的本征。因此,本文尝试结合PCA和KLE方法对GPS区域网坐标序列进行空间滤波,并通过对美国中加州Carrizo平原的一个连续运行GPS监测网进行分析,表明PCA/KLE法可有效提取共模误差,提高站点坐标精度,增强空间滤波的稳健性。 相似文献
9.
GPS高程数据时间序列分析 总被引:4,自引:1,他引:4
对GPS台站时间序列进行了研究,对我国IGS连续跟踪站高程分量的数据进行谱分析和小波分析,用最小二乘法将时间序列的白噪声与有色噪声分离,并利用AR模型建模。通过分析,获得拉萨、上海和武汉GPS连续跟踪站的有色噪声特征。 相似文献
10.
11.
12.
本文采用加拿大地区31个IGS台站的观测数据,利用GAMIT/GLOBK软件处理了时间跨度为2000—2018年的GPS原始观测资料,得到了ITRF2014参考框架下的台站位置垂向运动速率的时间序列。对GPS时间序列进行阶跃探测及修复、异常值探测及剔除、趋势项估计、去除近期冰川融化导致的地表弹性变形后,得到了由冰川均衡调整(GIA)导致的GPS台站抬升速率。本文的结果与前人基于GPS观测得到的结果(在ITRF2008框架下)相差在2 mm/a以内,与ICE6G系列GIA模型预测值相差在3 mm/a以内,因此验证了本文结果的正确性和可靠性,为进一步利用全球GPS台站观测数据研究GIA垂直形变速率,进而约束和改进GIA模型打下了坚实基础。 相似文献
13.
采用功率谱分析和主成分分析的方法对GPS坐标时间序列的周期性变化进行了探讨,对IGS站的部分时段的观测资料进行了处理,分析了台站时间序列潜在的周期性质。证实了异常周期项(1.04cpy)的存在,对探测出的异常周期信号分别从构造信号、共模误差、地表质量负荷等影响因子展开讨论,分析其来源及影响机制。结果表明,上述影响因素未能对异常周期信号做出合理解释,该异常信号与GPS观测技术本身,即未模型化的GPS系统误差相关。对其影响因素做了初步探讨,为进一步建立相应的误差改正模型,增强GPS观测技术的稳健性提供了一些参考。 相似文献
14.
GPS时间序列周期信号的精准提取对趋势的估计具有重要的影响。相较于传统的常数振幅周期信号模型,已有研究表明GPS时间序列周期信号的振幅是随时间变化的。实际的GPS时间序列存在异常值,且在提取周期信号过程中会产生新的异常值。针对以上两点,该文提出了一种基于Huber函数M估计(HM)的GPS坐标时间序列时变振幅周期信号估计方法:采用关于时间的多项式函数来建立时变振幅模型,由HM方法及交替方向乘子法求解。通过模拟数据及实际GPS站点数据将HM方法与小波分解方法、奇异谱分析方法和滑动最小二乘方法进行比较,结果表明HM方法在估计精度上要优于其他3种方法,弥补了已有方法在时变振幅情形下会吸收噪声以及噪声较强时对周期信号提取能力较弱的不足。 相似文献
15.
共模误差(CME)是区域连续全球卫星导航系统(GNSS)网中的主要误差来源之一.针对GNSS时间序列具有非高斯分布特征,基于二阶统计量的主成分分析(PCA)难以准确提取出CME分量问题,采用具有高阶统计量的独立分量分析(ICA)对CME进行提取.以2011—2018年新疆区域GNSS坐标时间序列为例,将PCA滤波效果进行对比验证,分析了CME对GNSS坐标时间序列的影响,并对CME序列进行周期分析.结果表明:前6个独立分量包含CME分量,这可能与卫星轨道、地表质量负荷和时钟误差有关,ICA滤波后东(N)、北(E)、天顶(U)三个方向的均方根(RMS)值分别降低31.83%、32.29%、35.49%,速度不确定度分别降低44.14%、38.49%、43.32%,各测站的周期项振幅较滤波前更一致,有效地剔除了CME,提高了坐标时间序列的精度. 相似文献
16.
欧洲地区共模误差提取及分析 总被引:1,自引:1,他引:0
针对跨度较长时间序列共模误差噪声特征研究较少,选择空间滤波的方法对较长时间序列进行分析以满足参考框架建立的需要。选取欧洲地区58个IGS基准站2001—2011年的坐标时间序列,采用区域叠加滤波法、分区区域叠加滤波法和相关系数加权叠加滤波法求取共模误差,并以滤波后时间序列相关系数和残差时间序列标准差为标准对其进行对比分析;进而,利用极大似然估计的方法对每个区域共模误差及滤波前后坐标时间序列进行噪声分析。结果表明:分区区域叠加滤波法最适合欧洲地区共模误差的提取;共模误差主要成分是闪烁噪声,也包含白噪声、随机漫步噪声等;当时间序列长度较长时,N、E方向受共模误差影响较小,可忽略,U方向受共模误差影响较大,需要考虑。 相似文献
17.
18.
针对传统的GPS时间序列最小二乘(LS)谐波函数模型方法不能精确提取GPS垂向时间序列的周期项信号问题,该文以云南地区2011年1月—2017年6月连续观测的27个GPS基准站数据为例,使用主成分分析(PCA)获得27个测站的共模误差,然后分别使用奇异谱分析(SSA)和LS方法对PCA滤波前后的测站时间序列进行周期项信号提取.实验结果表明,原始时间序列分别减去SSA、PCA-SSA、LS和PCA-LS提取周期项信号的RMS减少百分比平均为25.66%、17.23%、16.76%、16.76%;原始时间序列与4种方法提取周期项信号的相关系数平均为0.66、0.55、0.54、0.54,说明SSA提取的周期项信号要优于其他3种方法,将SSA应用于云南地区GPS垂向时间序列的周期项信号提取是可行和有效的. 相似文献
19.
GNSS坐标时间序列中不可避免地含有粗差,未剔除的粗差将会导致参数估计有偏。因此,粗差探测与剔除是GNSS坐标序列分析中一项重要的数据预处理工作。针对GNSS坐标时间序列特点,提出了一种将L1范数(L1-norm)估计与四分位距统计量IQR(interquartile range)组合的移动开窗粗差探测算法,称之为L1_Mod IQR。该方法的主要思想是,首先利用L1范数估计得到较"真实"的残差,然后再对残差采用IQR统计量进行粗差探测。将L1_Mod IQR法与"3σ"法、基于最小二乘的τ检验法等粗差探测算法进行了模拟计算与对比,验证了该算法的有效性。进一步采用L1_Mod IQR算法对中国区域10个IGS站的高程时间序列进行了分析,结果表明中国区域IGS站高程序列的粗差剔除率最小为0.1%,最大为2.6%。并且以WUHN站为例与SOPAC提供的结果进行了对比,结果表明SOPAC提供的"Clean"数据仍含有大量的粗差,而L1_Mod IQR算法能够有效地剔除粗差。 相似文献