电离层高阶项延迟对2015-06磁暴期间PPP的影响

分析了2015年第173~175 d太阳活动对电离层以及地磁场的影响以及磁暴期间电离层延迟高阶项对观测值、静态PPP的影响。结果表明,受173 d爆发的日冕物质抛射和冕洞高速流的共同影响,174 d地磁持续扰动,达到大磁暴水平; L1、L2的二阶项延迟最大值分别达到20 mm、40 mm,三阶项延迟为2 mm、5 mm;电离层高阶项延迟对PPP的N方向的影响最为显著,最大值达到了7.1 mm,且呈向南偏移的趋势,对U、E方向影响的最大值可达4.6 mm,但没有一致偏移的规律。     

中国第四纪冰川作用与深海氧同位素阶段的对比和厘定

随着冰期(阶)与间冰期(阶)旋回的不断细化,第四纪冰期系列与深海氧同位素阶段(MIS)对比之间所反映的问题开始逐步显现。通过中国第四纪冰期与MIS阶段对比,结合分析气候旋回与构造运动对地貌演化的控制作用,研究表明:①冰期(阶)或者间冰期(阶)发生的时段应尽可能对应于MIS的偶数或奇数阶段,有助于MIS框架下新的冰期(阶)的发现;②中更新世以来,中国第四纪冰期-间冰期旋回可能受控于100 ka轨道偏心率变化的气候大背景,昆仑冰期-倒数第二次冰期的冰川规模总体上与全球冰量变化一致。然而,末次冰期早、中期的冰川规模却与MIS所记录的全球冰量变化不尽一致,强烈显示气候与构造环境对冰川作用的影响;③目前在中国第四纪冰期划分方案中,存在着冰期系列由时间和地点双重命名的现象,建议用大理冰期、古乡冰期分别代替末次冰期和倒数第二次冰期。     

中国典型山地冰川平衡线的影响因素分析

中国典型山地无现代冰川作用区冰川平衡线高度的确定对于过去环境变化研究具有重要的科学意义。选取青藏高原边缘17个山体的28个气象站气温与降水数据,采用确定的最大降水带与经验曲线关系法 (简称MPC,下同)、确定的最大降水带与统计公式法 (MPF) 和实际气象站降水与经验公式法 (WPF),恢复了17个山地的现代理论冰川平衡线高度,并对比了三种方法的适用性;综合分析了三种方法的原理、参数选取、计算过程以及误差来源;详细讨论了冰川平衡线处气温与降水关系式、气象站的海拔高度、气温垂直递减率、降水梯度对计算现代冰川平衡线的影响。提出了无现代冰川区的现代理论冰川平衡线计算的综合因子法 (ZYZ)。     

削弱GNSS多路径效应的半天球格网点建模方法

多路径效应与测站观测环境相关,无法利用差分的方式消除或削弱,是GPS精密数据处理时的主要误差源。为此,本文提出了一种利用半天球格网点模型削弱测站多路径误差影响的新方法MHGM(multi-point hemispherical grid model)。该方法对以测站为球心的半天球进行格网点划分,通过格网点的参数化描述,实现测站处多路径误差建模,可适用于现有各类GPS数据处理的软硬件设备和观测环境。本文算例的测试结果表明,采用新方法建模后双差观测值残差的RMS均值改善率平均在73.9%左右,较传统恒星日滤波方法的改善效果平均可提升26.9%,对于静态观测数据,按实时动态相对定位处理模式可获得平面精度约1.7 mm,高程精度约3.0 mm的定位结果。此外,MHGM模型还可进一步用于对测站周边可能存在的多路径误差源进行方位评估,对从物理意义上消除多路径误差源的影响给出一定的指导性意见。     

因子图框架下里程计辅助GNSS/INS组合导航算法

在复杂观测环境下,GNSS/INS组合导航系统的GNSS信号易受干扰从而导致INS独立导航精度迅速下降。针对上述问题,本文基于因子图的里程计辅助GNSS/INS组合导航算法,利用里程计观测信息结合非完整性约束构建航向速度约束方程,同时采用能多次线性化计算和多次迭代的因子图优化方法进行参数估计。实际车载试验解算结果表明,在GNSS信号良好时,基于因子图方法比滤波方法具有更快的收敛时间,收敛速度提高了近10倍;在GNSS信号发生中断时,添加里程计辅助后组合导航系统在东向和北向分别提升了83%和89%。与传统的滤波融合手段相比,本文采用因子图优化后在东向和北向的定位精度分别有63%、70%的改善。     

联合LiCSBAS和机器学习的昆明市地面监测和预测

针对InSAR在数据处理过程中存在对流层延迟误差、解缠误差及处理大范围区域数据需要消耗大量时间和磁盘空间的问题，本文首先利用LiCSBAS和GACOS产品对2016年9月16日至2021年5月5日昆明市134景Sentinel-1升降轨影像进行数据处理，获取昆明市主城区沉降信息，在此基础上得到5个典型地表沉降区并分析其时空分布特征；然后利用深度森林和长短期记忆网络模型进行时序值的预测，引入绝对误差(ε)、均方根误差(RMSE)、纳什系数(NSE)对模型进行评价，深度森林和长短期记忆模型得到的ε均在4 mm以内，RMSE值分别为0.70和3.01,NSE值分别为0.92和0.81。结果表明，深度森林预测模型效果较好，联合LiCSBAS和机器学习模型的城市地表监测和预测的方法可以为今后开展地面沉降监测和灾害预警提供参考。