�ϼ���ɽվ���ݴ�����IGS���վ��ѡ��

?????????2007???1????100????????????????????GPS??????????????IGS????????????????????????????????????У???IGS???????????????????Ρ??????Z?????????????????4??????????????????ó?????????????в?NRMS???????????????????????????????4???????????????ó????????????????????????GPS?????????????????????ο???????????????????5??????????δ?????Χ??IGS????????????δ??????????????????????????????????????????????Z???????????     

�в�����Ӧ�ع�TLS

TLS??????????????У????????????в??????????????????????????????????????????в???????????????????????TLS??????????У??????????????????????????????в???з?????????????????TLS?????????????????????????в???????????????в?????????????á???????????????????÷???????????     

���쳣��ֵ�в�ȼ�����е�������

???????????????????????????????ü?????е?????????????в?????·????????????????????????????????????????е????????????????????????????????????????????????????????????????????в???????????????????????     

���ڱ���˫Ƶ���ݵ�����̽�⼰�޸��㷨

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

����³�����Ͼ����LiDAR���ƴֲ�̽�������

????3?????????????????LiDAR??????????????????????????LiDAR??????????????飬????????????????????????????????????????С???巽???????????3??????????????????3?????????????3???????????????????????????裬?????????????μó?????????б????????????????????????????????????????????????????????????????й???????????У?????????????в??????С??detMCD?в????????????С????????????????????????????????????????????????????????????????????????????????????С???????????????????????????????????????TIN?????????????,???????????????????????????Ч???LiDAR?????????е????????????????????????     

������ؼ������ֽ����˶��Ļ�������

?????????????????????Χ??????У?????????????????????????????????????????α???? ??????????????Χ?????????????鷢????????????????????μ?????????????????????????????????? ??????????α??????????????????????????????????μ?Σ????α?????????????????μ??? ???α?????????????Σ?-????????????????????????????????μ??????α???????????????????μ?Σ????α?????????????Σ???????????????????????????Χ???????????????????Σ?ū????????????????????????ΣΣ???????????????????????????????????????????????????????????????????????????????????????????????????????????????????????     

�����в�����������������Ӧ�䳡�仯�����о�

????????????????????????????в??????????????????У??????????????о??????????????????????仯??????????????????????????????в??????????????仯??????????￡??????????????????????????????????????????????????ζ????????????????????????????????????????????ж???????????????????- ??????????????????????????????????????????????????????????     

����λ�ú��ٶ���Ϣ��GNSS�����������ʽ��ֵ��

???????????????????????ж????????????????????????????????????????λ?ú?????????????Ч?????????????????8 h???????????????????в????mm????     

������С���˷������������о�

?????????????????????С??????????????????????????С????в????????С????в?????????????????????????Σ??о???????С?????????????С??????????С??????????????????????ó???????????????????ó?????????     

GPS���ջ��������о�

??????GPS???????????????????GPS???????????????????????????????????GPS?????λ??????α??????????????,?????????????λ??????????????????????????????????????????????????GPS?????????????λ???????????????GPS?????????????в??????????κθ????????????????????????????????????????????λ??????????????С?     

基于机器学习的高精度高分辨率气象因子时空估计

气象变量常作为重要的影响因子出现在环境污染、疾病健康和农业等领域,而高分辨率的气象资料可作为众多研究的基础数据,对推进相关研究的发展意义重大。本文以中国大陆为研究区域,利用2015年824个气象站点的气温、相对湿度和风速3套数据,结合不同的解释变量组合,分别构建了各自的GAM和残差自编码器神经网络（简称残差网络）模型,以10倍交叉验证判断模型是否过拟合。研究结果表明：① GAM和残差网络方法都不存在过拟合问题,同GAM相比,残差网络显著提高了模型预测的精度（3个气象因素的交叉验证CV R²平均提高了0.21,CV RMSE平均降低了37%）,其中相对湿度模型的提升幅度最大（CV R²:0.85 vs. 0.52,CV RMSE:7.53% vs. 13.59%）;② 残差模型的结果较普通克里格插值结果和再分析资料更接近站点观测数据,表明残差网络可作为高分辨率气象数据研制的可靠方法。此外,研究还发现在相对湿度模型中加入臭氧浓度和气温、在风速模型中加入GLDAS风速再分析资料,可提升模型的性能。     

��ǰ�����TEC�쳣̽�ⷽ���о�

?????????????TEC??????????(??????????????????λ?????????λ????)???????????????????TEC????????в??????TEC?????????????TEC??????н????????????????????????????????????й??????????????GNSS???????????????TEC?????????????????????8.0?????????з????????????÷????????????Ч?????????????TEC?????????     

Prophet-Elman残差改正电离层TEC短期预报模型

针对电离层TEC非线性、非平稳的特点,建立一种基于Prophet与Elman神经网络相结合的残差改正电离层短期预报模型。利用该模型对IGS提供的不同太阳活动程度期间的电离层TEC时间序列进行建模预报。结果显示,改正模型能够反映电离层TEC的变化特征,在太阳活动低年和太阳活动高年预报的平均相对精度分别为92.9%和92.2%,均方根误差分别为0.94 TECu和1.77 TECu,精度较Prophet-Elman模型及单一Elman模型有显著提高。     

多序列残差辨识应用于城市“三废”排放量预测

本文把城市废水、废气、废渣排放量视作有相互联系的灰色系统,建立起城市三废排放量的多序列残差辨识预测模型,并应用于一个实例预测。     

闽浙赣地区GPM IMERG降水产品降尺度建模与比较分析

针对目前的技术手段下难以直接获得大范围高精度精细化降水空间分布的问题,本文以闽浙赣地区为研究范围,选用GPM IMERG降水产品,综合应用地面实测降水数据以及水汽与植被指数数据,基于地理加权回归（GWR）法构建了基于水汽因子的降尺度模型,同时基于最小二乘（OLS）法构建了基于水汽因子与植被指数的对比模型,将降水产品的分辨率从0.1°提升至1 km,最终获得2015年闽浙赣地区各月精细化降水空间分布,使用验证站点实测数据进行验证。结果表明：① 构建的 3个降尺度模型中,GWR模型与2种OLS模型相比,拟合优度分别提升了102.9%和93.9%,模型降尺度结果整体优于2种OLS模型,且月际差异小,稳定性更高;2种OLS模型中,采用了水汽因子的模型拟合效果有8个月份更优;② 融合多源数据的GWR降尺度模型获得的结果在研究区内是可靠的,与GPM降水产品相比,在提升空间分辨率的同时,平均相对误差与均方根误差月均分别下降了42%和32%,精度明显改善。     

利用主成分分析法分析GNSS坐标时间序列

利用主成分分析法对陆态网224个GNSS基准站坐标时间序列进行分析。首先对基准站原始坐标序列进行突变项拟合、粗差剔除、缺失数据插值补齐等预处理;然后对预处理后的站点残差坐标时间序列分N、E、U方向组建时间序列矩阵进行主成分分析,根据各方向主分量及其相应的空间特征向量分析站点空间响应分布特征、共模误差以及异常站点的影响。结果表明,仅通过第1主分量不能准确体现共模误差的时空特点,因此将前3个主分量纳入共模误差分析;华北地区、西北地区以及云南地区各方向主分量显示出相对一致的空间响应分布,可能是水储量变化导致的;对比剔除异常站点前后的PAC结果发现,N、E、U方向第1、2主分量的贡献率变化明显,U方向表现最为显著,其中第1主分量贡献率分别提高2.0% (N)、3.9% (E)、5.7% (U),第2主分量则分别下降1.1% (N)、1.9% (E)、6.7% (U),剔除异常站点后,站点的空间响应得到明显提高。     

基于最小二乘支持向量机的组合模型在区域似大地水准面拟合中的应用

针对最小二乘支持向量机（least squares support vector machine,LSSVM）在区域似大地水准面拟合过程中存在较大模型误差的问题,构建LSSVM-Shepard GPS高程异常转换组合模型。采用LSSVM拟合高程异常中的中长波项,利用Shepard插值模型来泛化去除中长波项的残余项。结合平原地区和高原山区工程实例,分别采用二次曲面模型、LSSVM、Shepard插值模型、二次曲面-Shepard模型、LSSVM-Shepard模型进行高程转换及精度对比。结果表明,新组合模型高程转换精度高于各单一模型,且在平原地区转换效果与二次曲面-Shepard模型基本一致,在高原山区拟合效果优于二次曲面-Shepard模型。     

基于夜间灯光和土地利用数据的云南沿边地区GDP空间差异性分析

云南沿边地区包括8个地州,共56个县,其中有25个县市与老挝、缅甸和越南直接毗邻,具有重要的地缘位置。本研究利用土地利用数据和夜间灯光数据在实现云南沿边地区GDP空间化的基础上,对GDP的空间分布格局进行深入探讨,这对缩小区域经济差异及促进地区共同发展具有一定的指导意义。采用土地利用数据对国内生产总值（Gross Domestic Product, GDP）数据的第一产业进行空间化拟合,采用DMSP/OLS夜间灯光数据对GDP的第二、三产业进行拟合,将第一产业和第二、三产业空间化拟合的结果相加,实现云南沿边地区1992-2013年的GDP的空间化拟合。在此基础上对云南沿边地区GDP空间分布差异进行分析。结果表明：① 土地利用数据对第一产业建模的效果较好,拟合的多期数据的相对误差均低于1.12%,采用夜间灯光数据,基于“分类回归”方法对第二、三产业拟合相对误差最大仅为6.404%,最终二者之和拟合的GDP拟合精度都较好,相对误差最大仅为4.241%;② 22期GDP数据在空间分布上均呈现正的相关性,且均为显著集聚;③ GDP空间分布局部集聚的高值-高值区域集中在开远、蒙自等县域,低值-低值地区集中在绿春、西蒙等地区;④ 云南沿边地区县域之间的经济差异在1992-1996年逐渐增强,1996年之后,经济差异波动缩小,空间关联效应呈现波动式的增强和减弱;⑤ 云南沿边地区的三维插值结果均呈现出西北至东南一线的“洼地-丘陵-平地-高峰”地势变化格局,沿边地区的东南角地区即红河州的建水、个旧和开远等县市的GDP最高,“丘陵”地势主要集中在腾冲、保山市以及最南部的景洪地区,“洼地-平地”地势主要分布在沿边地区西北角的贡山和福贡等县域、西南角的西蒙和孟连等县及中部区域的绿春和江城县等地区。     

地面三维激光扫描的点云配准误差研究

针对闭合条件下地面三维激光扫描点云配准产生的闭合差,基于测量平差理论,提出一种闭合差分配方法。首先通过间接平差理论求出各相邻测站间的坐标转换参数及其精度,再对闭合差按与方差成正比分配给各测站。通过多站点云配准实验,验证了该方法能在一定程度上提高点云配准的精度。