基于Kalman滤波的大规模GNSS网参数估计方法

针对传统方法存在的缺陷,研究了利用Kalman滤波技术进行大规模GNSS网参数（主要包括测站位置参数、卫星轨道参数及极移参数）估计的理论方法与关键技术,并利用40个全球均匀分布的IGS站多天的观测数据对理论成果进行了验证。结果表明,本文估计得到的测站位置参数与IGS结果各分量较差的RMS值分别为0.85、1.1、1.21 cm,得到的卫星轨道参数外推1 h后与IGS最终星历各分量较差的RMS值分别为9.8、8.6、7.2 cm,得到的极移参数与IERS结果的较差基本在1 mas之内;该方法具有较高的估值精度,可有效地用于GNSS网各类参数的估计。     

联合星地与星间Ka伪距的北斗三号卫星一体化定轨和时间同步

北斗三号卫星之间及卫星与锚固站之间在Ka频段的伪距测量为其提供了一种不依赖于地面监测站的独立定轨和时间同步能力。本文针对星间链路分时测量的特点,采用分段一次多项式对卫星钟差进行建模,直接利用原始的星地和星间单程Ka伪距实现一体化定轨和时间同步并同时解算锚固站设备硬件时延。利用北斗三号8颗卫星和2个锚固站的实测Ka伪距数据进行验证,结果表明:在利用导航电文的预报钟速信息进行修正的情况下,星间Ka伪距残差RMS为0.052 m;R方向卫星轨道确定和预报精度(RMS)分别为0.016、0.033 m;卫星钟差估计和预报精度(95%)分别为0.038、0.992 ns;解算得到的锚固站收发设备时延之和的稳定性优于0.5 ns。试验还展示了该方法的适应能力:在没有预报钟速信息的极端情况下,虽然星间Ka伪距残差RMS增大了242%,但R方向轨道确定和预报精度仍分别达到0.021、0.041 m,钟差估计和预报精度分别达到0.040、1.092 ns。     

PPP与NCEP再分析资料在水汽反演的研究

对基于PPP水汽反演时站点气象数据(温度、气压)缺失的现象进行了研究,提出一种基于NCEP数据的插值方法。选择4个提供气象文件的IGS站点,将插值方法得到的温度、气压与站点实测数据比较,以实测气象数据反演得到的PWV为真实值,比较不加入气象数据、加入插值气象参数反演得到的PWV与真实值的差异。结果表明,站点插值法得到的气压与真实值差值平均RMS分别为1.39 mbar,插值温度与实测温度差值的平均RMS分别为3.83℃;不加入气象数据反演的PWV与真实值差值平均RMS为2.34 mm,而加入插值气象后,反演PWV与真实值差值平均RMS为0.37 mm,说明插值法可大大提高PWV反演精度,该方法在缺乏实测气象数据时是一种行之有效的补充方式。     

GEO卫星东西机动监视与移动窗口轨迹拟合

快速获得可靠的实际机动点火时段,可以有效缩短GEO卫星在整个导航星座中的不可用时段。针对GEO卫星的星下点运动特性,提出了同步根数加东西漂移加速度的运动参数集,验证了7参数模型对10分钟窗口轨迹拟合的可行性。基于东西定点机动的工作原理,提出联合半长轴拟合序列和测站测距拟合-预报残差RMS序列的机动监视方法。利用C波段转发测距资料,对某GEO 卫星包含变轨弧段在内的1天数据进行了开窗运动学拟合分析,验证了机动检测方法的有效性和灵敏性。     

基于支持向量回归的PM2.5浓度实时预报

为了研究适合于我国当前重污染天气的实时空气质量预报模型,论文利用支持向量回归方法对北京市地面空气质量监测数据和气象数据进行分析,构建了基于支持向量回归的PM2.5浓度实时预报模型。实验表明,该方法能够对未来6日内的日均PM2.5浓度以及未来0~72h内的小时级PM2.5浓度进行预报,且模型训练过程和预报过程都耗时很短,适用于建立PM2.5浓度实时预报系统。     

基于自适应卡尔曼滤波的地表移动变形预报研究

构建自适应卡尔曼滤波预报模型,利用GNSS CORS连续运行实时监测数据,通过自适应卡尔曼滤波预报值、标准卡尔曼滤波预报值及实测数据对比分析,得到自适应卡尔曼滤波预报偏差明显减小,预报精度明显提升,满足了地表移动变形实时监测的精度要求。      

幂函数变换的GM(1,1)模型在BDS卫星钟差预报中的应用研究

由于卫星钟存在频率高、敏感性强、极易受到外界影响从而导致观测数据波动大,预测结果精度低的问题,利用幂函数变换法对初始观测数据进行变换预处理,从而提高观测数据的平顺度.由此提出一种基于幂函数变换的GM(1,1)模型,选用北斗卫星导航系统(BDS)卫星钟差进行插值和预报,并且进行了精度验证.实验结果表明:Lagrange插值方法可以满足高精度BDS的钟差的插值需要;利用幂函数变换的GM(1,1)模型相比传统模型精度有效提高了,而且当改进模型和传统模型预报值越接近实际值,则幂函数改进的GM(1,1)模型精度更高,适用性更强,对BDS卫星钟差预报具有实际参考价值.     

IGS RTS钟差数据中断的实时修复方法研究

针对IGS RTS实时数据流产品在网络传输过程中普遍存在的数据中断问题,基于卫星钟差预报算法,文中提出实时“预报修复”方法,以钟差预报值实时修复发生中断历元的钟差数据。通过对RTS数据中断区间分布的统计分析,确定钟差预报的时间长度为5 min;采用改进的灰色系统模型,对不同时间长度初始数据的钟差预报结果进行对比,确定初始数据时间长度为10 min。以IGS事后精密卫星钟差产品为参考,对连续7 d RTS钟差产品的实时预报修复效果进行验证。以IGS02产品为例,连续7 d预报修复钟差值的平均RMS优于0.17 ns,预报修复后24 h钟差产品的RMS均在0.22 ns以内。     

EEMD分解的超快速北斗卫星钟差预报

为提高北斗卫星钟差预报精度,本文提出采用多项式和集合经验模态分解相结合的模型进行北斗卫星钟差的预报,并采用GPS数据验证算法的正确性。在剔除卫星钟差中的趋势项部分后,利用经验模态分解法对残差分解得到不同频率的时间序列。对各时间序列用不同模型进行预报并进行线性组合,最终的钟差预报值由趋势项和各时间序列的预报值复合而成。试验表明:该模型对北斗卫星钟差预报取得了较好的结果,与ISU-P相比,精度提升幅度在7.3%~43.0%之间。     

融机器学习与WRF大气模式的PM2.5预报方法

针对当前我国重污染天气实时的空气质量预报问题,该文提出了一种融合随机森林算法与WRF大气模式的PM2.5浓度实时预报方法。该方法结合了北京市地面空气质量监测数据和WRF气象数据进行分析,将高层大气状态(如逆温层高度等)融入了预报模型中,建立了0~72h的PM2.5浓度实时预报模型。实验证明,该模型能够对0~72h单站点的PM2.5浓度进行较高精度的实时预报,且在24~72h的长时预报结果上较基于地面空气污染物数据与地表气象站数据的预报方法精度有明显提升,即该方法可以更好地模拟大气物理化学状态,从而更为精准地进行长时PM2.5浓度预报。