PPP�Ǽ䵥������ģ���ȵĹ̶�������������

??????????λ?????д????С??????????????????????????????????????????????????????????????????????????????????С????????????????????????С??????????????????????????????????????????С????????????CNES???????????????????У??????????????????????????????????????????IGS??????????з??????????????????????????????????λ??????????????λ???????????λ????????????????????λ??????????????63.8%??     

����˫����Ĵֲ�̽�ⷽ���о�

???????????????????????????????в??????У?????3?????????????????????桱????α????????????????????м?????????????????????????????????????ж?????????????????ж??????д????????????С???????????????????????????????????????????÷??????????Ч???????Ρ?     

�������Ĵ�ֱ�α��빹���о�

????1992??2008????????????????????о?????????????洹??????仯?????????????????????????????????????????????????????????????????y??????????????????α?????????????????????????????????????????????о?????????????????????????????о??????????????α?????????????е????б?????е?????????????????????????????仯??????????д???С?????????????????????????????????0.13??0.48 mm/a??????????0.29 mm/a????     

���ģ�����MPI���������㷨��������

?????С????????е????????????????????MPI?????????????????????Gauss??Jordan????????????????????????????????????д???洢????????????????????????????????????????????????????ж?дЧ????????????????????????Ч??????????????????Ч???????????????????????ж?д????С???????????????????????????????Ч???????60%??????????????????????????????????8??????????????????120??240??????????????????????229 s??7 395 s???????????????÷???205 MB??1.57 GB???????????10^-18??????????????????????????????С?????????????????     

����GPS��ؿ��������ݴ���ĸĽ����Ż�

????????GPS?????????????????????GPS?????????????????????????????????????????????????????????????????????????С??????????巨????λ??????????????ò??????????????????GPS????λ???????????????????????????????????С????????????????????巽???????????????????????λ????????????????Ч??С????????????     

����С��������ֵ��������������ݶ����ݴֲ�̽�ⷽ��

????С??????????????С???????????????????????????????????????????????а???????????????????????????д??????????????????????????????????????????????????????????????97%???????     

���������׷����Ĵ������������ź���ȡ�����

???????????????SSA????С??????????????????????????????Ρ???????????????????????????????е?????????С?????????????????????????????????????????????????Ч??????????????????????????????ξ??ж????????????????????X??Y????????????????????????????￡??????????г????     

���Իع�ģ�͵��Ƚ�������С���˽���

?????????????????????????????д??????????????????????????????С????????????????????е??任????????????С???????????????????????????????????????????????????????С??????????????????????????????????????????????????10 000?????飬??????????????????о?????????????????????????Ч?????????     

����-֧���������ڴ�Ӱ�ȫ���Ԥ���е�Ӧ��

????????????????????г?????????????????μ?????????-??????????????????????????????????????????????????????????????????????????????????????????????????????????С????????????????н???????г????????????????????Ч????á?     

������ģ������С���������ڶ�Դ���������ں��е�Ӧ��

????????С????????????????????ж???????????????????????????????????????????????????????????????????顣?????????????????С??????????????????????3.6??10????^-5??ms????^-2??????????????С???????????????????????????????????????????????????4.6??10????^-5??ms????^-2??????????????????????????????????????С?????????????????????????????п???????Ч?????     

顾及坡度和高程的多波束测深数据抽稀算法

海底地形数据是进行海洋科学研究、工程建设的重要数据源,水深信息作为海底地形数据的基础信息,反映了海底地形的起伏变化。因此,如何有效地处理水深数据成为海洋测绘的重点研究内容。为解决海量多波束测深数据的数据冗余问题,提出了一种顾及坡度和高程的多波束测深数据抽稀算法,能够兼顾数据抽稀的精度和地形特征点的保留。考虑到存在含有空洞、凹边界等局部空白区域的多波束测深数据,首先利用Alpha Shape算法提取测深数据局部空白区域的边界点;然后采用坡度和高程相结合的抽稀算法删除冗余点,得到抽稀结果。在实验区内,通过与基于坡度抽稀、顾及地形复杂度抽稀和基于系统抽稀算法进行对比实验,结果表明：(1)本文抽稀算法在测深数据局部空白区域生成的等深线较上述抽稀算法更贴近原始测深数据等深线的形态,可以有效保持地形形态完整性;(2)对不同地形的测深数据进行抽稀,本文算法的精度较上述抽稀算法均有不同程度的提升,尤其抽稀率较低时,本文算法较上述算法在MSE分别提升了16%、27%、14%和10%、36%、2%,RMSE分别提升了7%、12%、7%和5%、17%、3%,体现了本文算法对不同地形多波束测深数据抽稀的有效性...     

抗差估计在自由落体式绝对重力仪中的应用

针对自由落体式绝对重力仪中的异常数据,提出抗差参数估计的数据处理方法。对比分析传统最小二乘拟合与抗差最小二乘拟合计算的重力值,结果表明,抗差参数估计通过合理调整权重因子抑制了异常数据的影响,提高了重力测量精度。     

汶川台站地倾斜变化特征提取与分析

通过多项式内插、趋势项拟合、快速傅里叶变换以及稳健最小二乘估计,计算观测值对应数学模型的相关参数,利用求解出的数学模型分析地倾斜值的趋势性、周期性以及异常残差。分析认为,地倾斜值呈现趋势性变化的主要原因是内部应力的积累和释放,周期性变化的主要来源是周期性引力和外界的环境条件;连续的倾斜残差异常值出现后,有可能发生地震,且异常值持续时间愈长,地震发生的几率愈高;随着连续异常值的增大,地震的震级会相应提高。     

����������С���˶��溯������������شų�ģ���о�

?????溯????????????????????????????????????????????????????????С???????????????????????????????У??????????????????????????????????????????????????????????????????У?????????????С????????ж???????Ч????С?????????????????????????????????????????С??????????溯?????????????????????????????????????????     

����Cook�������ά����ɨ�����ƽ�����

??????????????????????????????С?????????????????????????????????????Cook???????С??????????????????????????????????????????????С???????????????????档??????????÷????????????????????????????н?????????????????????????????????????????????     

基于多尺度最小二乘支持向量机优化的克里金插值方法

克里金插值方法根据待估位置点、已知样本数据点的位置关系和区域化变量的空间相关性,实现空间加权估计,满足估计的无偏性和最优性。传统方法理论模型形状固定且选择具有人为主观性,无法反映空间数据的变化趋势及其空间多尺度特征。本文为解决上述问题,提出了一种基于多尺度最小二乘支持向量机优化的克里金插值方法,此方法为拟合实验变异函数提供了一种新的思路。从实际样本数据的变化趋势出发,采用最小二乘支持向量机拟合实验变异函数,并利用不同尺度小波核反映不同尺度下的空间变化。最后,实验环节包括模拟和应用,模拟主要验证经多尺度最小二乘支持向量机优化后插值方法的科学有效性以及准确性,应用主要研究青岛市PM_2.5浓度时空分布特征,为城市生态科学防护及控制提供理论依据。结果表明,基于多尺度最小二乘支持向量机优化的克里金插值方法能够更好地刻画变异函数,反映不同尺度下的空间变化细节,从而在一定程度上提高插值的精度,是一种可选的克里金插值方法。     

MEAN SEA LEVEL AND SEA SURFACE VARIABILITY OF NQRTHWEST PACIFIC OCEAN AND EASTERN CHINA SEAS FROM GEOSAT ALTIMETRY

Collinear analysis technique is widely used for determining sea surface variability with Geosat altimeterdata from its Exact Repeat Mission(ERM).But most of the researches have been only on global scaleor in oceans deeper than 2000 m.In shallow shelf waters this method is hampered by the inaccuracy ofocean tide data supplied with Geosat Geophysical Data Records(GDRs).This work uses a modified collinearanalysis technique characterized by simultaneous separation of mean sea level and ocean tide with theleast squares method,to compute sea surface variability in the Northwest Pacific Ocean and eastern ChinaSeas.The mean sea level map obtained contains not ouly bathymetric but also dynamic features such asamphidromes,indicating considerable improvement over previous works.Our sea surface variability mapsshow clearly the main current system,the well-known Zhejiang coastal upwelling,and a northern East Chi-na Sea meso-scale eddy in good agreement with satellite sea surface temperature(SST)observation and his-to     

���ڱ���˫Ƶ���ݵ�����̽�⼰�޸��㷨

????????????????????????????????????????????????????????????????????????????????????????????????????Χ?????????????λ?仯??????????????λ??????С????????????????????????Blewitt?????????????????????????????????????????
???òв???С?????????????COMPASS??MEO?????????????????飬??????????????Ч????????????????????????     

基于多视线向D-InSAR技术的三维地表形变抗差解算方法

针对粗差对多源InSAR数据三维地表形变解算的影响,提出一种基于多视线向D-InSAR技术的三维地表形变抗差解算方法。该方法利用多视线向D-InSAR地表形变监测数据,在最小二乘原则的基础上实现InSAR三维地表形变解算,获取平差观测量的残差,建立最小二乘残差与观测量单位权方差的函数关系,并通过计算出的单位权方差对InSAR地表形变观测量进行定权;基于等价权原理,选用IGGⅢ权函数实现三维地表形变的抗差解算。最后,以2009年意大利拉奎拉地区地震为例,对该解算方法的可行性和精度进行验证。结果表明,该方法可以获取可靠的解算结果。     

������С���˽������о�

??????????,??????????С?????????С??????????任???????????????????С?????????????????????С???????????????????С??????????????????С????????????????????С???????????????????????????????????????????????С????????С????????в??λ??????????????????