随机模型对IGS站速度及其不确定度影响分析

针对随机模型对站速度的影响,该文以45个国际GNSS服务(IGS)核心站坐标时间序列为研究对象,提出基于Fisher信息矩阵的KIC噪声模型估计准则,对WN、PL、FN+WN、FN+RW、FN+WN+RW备选随机模型进行分析。探讨不同随机模型对IGS站速度及其不确定度估计的影响。结果表明,IGS站坐标时间序列随机模型呈现出多样性,在进行噪声模型估计及其速度应用时应选择足够代表IGS随机模型的备选噪声模型。不同随机模型对IGS站速度估计值的相对影响较小,但对速度不确定度估计值影响不可忽略,尤其是RW分量对站速度不确定度的影响更加明显。     

PANGA坐标时间序列噪声模型特性分析

选取PANGA观测网中的200个GPS基准站12年的坐标序列. 采用AIC模型估计准则噪声特性进行分析,并结合不同数据策略对噪声模型建立的影响进行探讨. 结果表明:不同数据策略对噪声模型建立的影响较小,基准站站坐标序列噪声模型主要表现为PL+WN噪声模型特性;不同随机模型对GPS站速度估计值的影响相对较小,但在U分量影响最为明显;对比不同策略处理下的周年振幅变化,E、N、U方向振幅值存在差异,最终确定了振幅位移的尺度.      

一种改进的VMD-XGBoost验潮站月海面高序列预测模型

海平面不断上升威胁人类的生命安全,高精度的海平面预测对人类预防水文灾害具有重要意义。现有的预测方法因验潮站数据为单一时间序列而难以进行高精度预测。针对此问题,提出一种融合变分模态分解(VMD)和极度梯度提升算法(XGBoost)的变分模态分解-极度梯度提升预测模型,简称VMD-XGBoost模型。与XGBoost模型、卷积神经网络与长短期记忆神经网络混合模型(CNN-LSTM)、变分模态-卷积神经网络与长短期记忆神经网络混合模型(VMD-CNN-LSTM)对比,对荷兰沿岸海平面验潮站时间序列进行预测。验潮站预测结果分析表明：相较于XGBoost模型,VMD-XGBoost模型预测结果的均方根误差平均降低65.43%,平均绝对误差平均降低63.79%,平均绝对百分比误差平均降低63.44%,且相较于VMD-CNN-LSTM模型,VMD-XGBoost模型在验潮站海面高序列预测上具有更高预测精度,可实现高精度验潮站时间序列预测。     

GAMIT/GLOBK软件在高精度GPS数据处理中的应用

本文主要介绍了GAMIT数据处理软件的主要模块和基线解算流程,并阐述了GLOBK软件的主要应用及利用其进行网平差的方法。最后结合新疆似大地水准面精化项目GPS网观测数据进行分析,给出了GAMIT软件的基线解算结果以及质量评价,同时采用GLOBK软件进行了网平差,并对平差后的点位精度进行了分析评定。结果表明,数据处理的精度达到了项目技术设计的要求,获得的高精度控制点坐标为今后基础测绘基准的最终建立提供了科学的依据,也为建立高精度、高分辨率的似大地水准面提供了可靠和精确的数据。     

验潮站坐标时间序列特性分析

文中以298个验潮站作为研究对象,采用广义高斯-马尔科夫模型(GGM)、自回归滑动平均模型(ARMA)以及分形自回归聚合滑动平均模型(ARFIMA)三种模型,对验潮站坐标时间序列噪声模型特性及海平面变化趋势进行估计分析,并探讨了时间跨度对验潮站速度估计的影响. 实验结果表明:验潮站坐标时间序列主要呈现为ARFIMA(1,0)、ARFIMA(2,2)、ARMA (1,0) 噪声特性;验潮站速度估计结果表明64.77%的站点速度值所处区间为0～4 mm/a,平均海平面速度为1.25 mm/a,整体处于上升趋势. 随着时间跨度的增加,验潮站坐标序列速度不确定度逐渐由发散趋于收敛,大于110 a的时间跨度有助于获取稳健的验潮站速度估计值.      

SSA-VMD与小波分解结合的GNSS坐标时序降噪方法

利用麻雀搜索算法(sparrow search algorithm, SSA)优化变分模态分解(VMD),然后结合小波分解(WD),提出一种GNSS坐标时间序列降噪方法IVMD-WD。利用仿真信号和10个基准站的实测数据进行GNSS坐标时间序列降噪实验。结果表明,IVMD-WD方法的降噪效果优于经验模态分解(EMD)、集合经验模态分解(EEMD)和WD,能够更加有效地剔除GNSS坐标时间序列中的噪声。     

基于改进的粒子群优化神经网络算法的海平面变化预测分析

针对验潮站潮位预报的需求，提出一种基于分群策略的粒子群优化神经网络(SSPSO-BP)的预报方法。该方法通过建立多个不同功能且具有交流能力的智能粒子群，经SSPSO和BP的两次优化，构建潮高预报模型。实验研究表明，SSPSO-BP模型在Oga站的潮位资料上高、低潮位间的时刻基本保持一致，高潮时刻最大潮高差为7.37 cm,低潮时刻最大潮高差为4.21 cm,该模型比标准BP神经网络及PSO优化神经网络在准确度和精度上有了很大的提高，其平均绝对误差、均方误差相较于BP神经网络分别提升了16.2%、79.2%,相较于PSO-BP神经网络提升了13.9%、79.6%。     

GNSS时序噪声模型估计准则可靠性分析

针对GNSS时间序列噪声难辨识问题，该文仿真100组不同时间跨度FNWN、PLWN、GGMWN、RWFNWN噪声背景的高程时间序列，并AIC、BIC、BIC＿tp噪声模型估计准则进行分析，论证不同估计准则的可靠性、适用性，并进一步探讨了时间跨度与噪声模型对站速度估计的影响。结果表明：AIC对RW、PL噪声分量比较敏感，相比其他准则更容易辨识出坐标序列中存在的RW噪声；当时间跨度大于20 a时，AIC、BIC、BIC＿tp模型估计准则的准确识别率一致性较好；对于FNWN模型，AIC估计准则的辨识率较差。随着时间跨度的增加，GNSS站速度的确定精度逐步提高。不同噪声模型假设下，站速度不确定度存在较大差异，准确的噪声模型辨识是获取可靠的站速度及不确定度的关键。