GPS坐标时间序列时变振幅周期信号的Huber M估计

GPS时间序列周期信号的精准提取对趋势的估计具有重要的影响。相较于传统的常数振幅周期信号模型,已有研究表明GPS时间序列周期信号的振幅是随时间变化的。实际的GPS时间序列存在异常值,且在提取周期信号过程中会产生新的异常值。针对以上两点,该文提出了一种基于Huber函数M估计(HM)的GPS坐标时间序列时变振幅周期信号估计方法:采用关于时间的多项式函数来建立时变振幅模型,由HM方法及交替方向乘子法求解。通过模拟数据及实际GPS站点数据将HM方法与小波分解方法、奇异谱分析方法和滑动最小二乘方法进行比较,结果表明HM方法在估计精度上要优于其他3种方法,弥补了已有方法在时变振幅情形下会吸收噪声以及噪声较强时对周期信号提取能力较弱的不足。     

改进奇异谱分析方法的GPS时间序列分析

针对传统奇异谱分析方法具有相移现象缺点而不能有效分析,是由于不同形式的地球物理现象而包含有阶跃项、非线性趋势项、以及振幅随时间变化的季节项,从而呈现显著的非线性变化的时间序列,该文提出了一种用于拟合GPS时间序列的改进奇异谱分析方法。采用实际IGS站点数据将改进奇异谱分析方法与小波分析方法进行比较,结果表明,改进奇异谱分析方法在提取年以及半年季节项要优于小波分析方法。基于模拟数据计算表明:模拟信号和改进奇异谱分析方法重构信号残差的均方根小于1.8mm,改进奇异谱分析方法拟合精度显著优于传统奇异谱分析方法。改进奇异谱分析方法消除了传统奇异谱分析方法具有相移现象缺点。     

基于RSI的GPS坐标时间序列瞬态地壳形变信号探测

提出了利用RSI的瞬态地壳形变信号探测方法,并将其应用于北美洲卡斯卡迪亚古陆俯冲带区域的部分GPS连续跟踪站的时间序列的瞬态形变探测中。研究结果表明：RSI方法能有效探测各序列中的瞬态形变,且能获得瞬态形变发生的开始时间、结束时间、持续时间和滑移量;与未使用偏移改正的序列相比,使用瞬态偏移改正得到的残差时间序列方差显著减小。     

GNSS坐标序列的自适应奇异谱分析

针对奇异谱分析在进行大量GNSS高程时间序列时变周期信号提取时存在繁琐而低效的问题,提出一种自适应奇异谱分析方法。通过改进迹矩阵的构建方式提高算法运行效率,并结合频谱分析辅助确定滞后窗口大小,同时采用迭代法自主选择主分量,从而精准高效地提取时间序列中的周期项信息。实例分析表明,该方法能自适应地设置滞后窗口大小,准确提取大量GNSS高程时间序列中的时变周期信号,且单个时间序列提取效率是奇异谱分析的6倍,该方法的自适应性和准确性使其更加适用于大量GNSS站点的时变周期信号分析。     

大坝变形时间序列的奇异谱分析

为了研究大坝变形规律并分析其影响因子,利用奇异谱分析(SSA)提取大坝变形时间序列的趋势和周期分量,并分析各分量与时效、温度和水位因子的关联性。通过分析某大坝实测数据,发现大坝存在徐变和周期性弹性形变。其中,徐变即趋势项,主要与时效因子有关;弹性形变对应的周期项主要与温度和水位的周期变化有关,且温度因子与弹性形变的相关性明显大于水位因子。利用提取的趋势和周期项对大坝变形时间序列进行拟合并预测,其拟合和预测误差分别为0.52和0.24 mm;若采用传统的多元线性回归模型进行拟合和预测,其误差则分别为0.81和0.57 mm。这表明奇异谱方法的拟合和预测精度均优于多元回归法,能够更准确地预测大坝变形。     

GPS坐标时间序列分析研究

近20年来,以GPS为代表的空间大地测量技术观测精度不断提高,已累积了丰富的、高精度、全球覆盖的坐标时间序列数据。这些数据为研究不同时空尺度下的各类地球物理现象提供了重要的数据支撑和大地测量几何约束。然而,由于GPS坐标时间序列中同时包含了各类“信号”和“噪声”,而且噪声来源复杂,信号类型多样,水平和高程分量上信号与噪声的表现形式差异较大。如何从原始序列中提取可靠的“信号”、分离出“误差”是目前地学界研究的热点和难点之一。     

GPS时间序列中异常周期信号影响机制分析

采用功率谱分析和主成分分析的方法对GPS坐标时间序列的周期性变化进行了探讨,对IGS站的部分时段的观测资料进行了处理,分析了台站时间序列潜在的周期性质。证实了异常周期项（1．04cpy）的存在,对探测出的异常周期信号分别从构造信号、共模误差、地表质量负荷等影响因子展开讨论,分析其来源及影响机制。结果表明,上述影响因素未能对异常周期信号做出合理解释,该异常信号与GPS观测技术本身,即未模型化的GPS系统误差相关。对其影响因素做了初步探讨,为进一步建立相应的误差改正模型,增强GPS观测技术的稳健性提供了一些参考。     

奇异谱分析的变形监测序列粗差探测方法

针对时间序列数据中存在的粗差问题,该文首先介绍了奇异谱分析法(SSA)和未确知滤波法(UF)的工作原理,考虑到SSA方法在识别趋势项和周期性信号方面及UF算法在区分粗差和异常值上的优势,在SSA准确提取信号的基础上结合UF算法提出了一种新的SSA-UF粗差探测法:首先利用SSA提取观测值序列的信号并获取残余分量;然后通过UF算法对残余分量进行分析确定粗差点的位置;最后确定粗差点并剔除。通过单因素和多因素主导变形的观测值序列两个实例的验证分析,结果表明,该文中提出的SSA-UF粗差探测法与SSA数据统计方法相比在监测数据处理中的粗差探测效果明显,可靠性更高,为后续监测数据分析处理奠定了较好的基础。     

环渤海区域GPS坐标时间序列噪声分析

本文以环渤海区域GPS基准站2013年至2018年观测数据为基础,从噪声特性及时间序列参数方面进行分析。利用最大似然估计法估计环渤海区域27个测站坐标时间序列在不同噪声模型下的噪声量级及时间序列参数。针对最佳噪声模型,利用谱指数和最大似然估计两种方法分别从定性和定量确定。结果表明,测站的最佳噪声模型主要有WN+FN和WN+FN+RWN两种模型组合,绝大多数测站的最佳噪声模型为WN+FN,其中WN+FN+RWN模型主要分布在基岩类型为土层的基准站上,WN+FN模型主要分布在基岩类型为基岩的基准站上。     

区域CORS网坐标时间序列周期特征分析

通过精密单点定位的方法获取了区域CORS网各基准站的坐标时间序列,并利用最大似然估计法和频谱分析法对其32个基准站坐标时间序列的周期特征进行了分析,获取了各基准站年周期、半年周期的振幅和相位值,以及各基准站的周期功率谱图。结果表明:GNSS基准站坐标时间序列不仅存在线性变化,还存在周期性变化,其中以U方向表征最为明显,与双差定位获得的坐标时间序列周期特性分析结果一致,说明以精密单点定位获取的GNSS基准站坐标时间序列是可靠的,可以用来分析基准站的变化特征。     

小波多尺度分解和奇异谱分析在GNSS站坐标时间序列分析中的应用

为了有效地提取GNSS(global navigation satellite system)站坐标时间序列中的有用信息,提高坐标时间序列的建模精度,提出一种小波多尺度分解与奇异谱分析相结合的非线性运动建模方法,并利用全球11个测站20年(1999-2018年)的GPS(global positioning syste...     

太阳黑子数时间序列的奇异谱分析和小波分析

本文对小波变换和奇异谱分析方法进行了简要介绍,对离散小波的分解和重构、奇异谱分析的重构进行了详细阐述。结合太阳黑子数1749年至2007年3月期间的月平均值时间序列进行了小波变换的分解和重构及SSA方法的重构,提取了其主要的周期特性,并对两种分析方法进行了比较。     

GPS坐标时间序列中的异常高频周期性噪声

本文分析了中国地壳运动观测网络GPS基准站及中国周边IGS连续站坐标中的周期性噪声,在北、东和垂向分量坐标时间序列中均发现了周期约351/n(n=1,…,6)天的正弦项,而地表质量负荷造成的位移序列中并没有对应的成分,不能解释异常周期项的来源。在估计台站的运动速率时,如考虑此类异常周期项,速率误差略微减小,而周年项振幅的估计误差显著增大,且残差离散度未见明显改善。因此,不推荐在GPS速率矢量反演中加入异常周期项参数。     

GPS坐标时间序列广义共模误差分离方法

共模误差是GPS坐标时间序列的主要误差来源之一。针对传统的共模误差分离方法存在一定的局限性,甚至分离出错误的共模误差分量问题,该文根据共模误差的潜在起源,提出了一种依据地理环境因素、多尺度评价体系的GPS时间序列广义共模误差分离方法。该方法将相关系数、距离、经纬度、本地效应、地表环境负载效应、主分量贡献率、噪声模型特性等作为评价因子,为大区域、大尺度下GPS坐标序列共模误差,提供了可行的估计方法。实验分析结果表明,该文提出的共模误差分离方法能准确提取出GPS坐标序列中的共模误差,为进一步提高GPS坐标序列精度提供依据。     

GPS坐标时间序列共模误差空间特性分析

对全球138个IGS站依据相关性进行聚类分类,采用相关系数加权叠加滤波计算了所选IGS站坐标时间序列中的共模误差,并分析了其空间特性。结果表明,共模误差主要受基准站空间分布、GPS网空间尺度以及基准站密度的影响,并且相关系数为负的测站之间仍存在共模误差。     

GPS站坐标时间序列的南极地壳运动监测

为了进一步研究南极地壳运动的监测方法,文章提出直接利用GARNER网站公布的长时段测站坐标时间序列进行南极地壳运动监测的方法;直接利用GARNER网站提供的站坐标时间序列保证了站坐标的正确性,避免了对原始观测数据进行处理时步骤繁琐或处理结果不可靠等问题。研究结果表明该方法正确、可行。     

GPS坐标时间序列噪声估计及相关性分析

比较分析了极大似然估计法、最小二乘方差分量估计法以及最小范数二次无偏估计法对GPS站坐标时间序列噪声的估计效果,确定最小范数二次无偏估计法为最优的噪声方差估计方法。在此基础上对中国及其周边区域20个IGS站坐标时间序列中各方向噪声方差进行一元线性回归分析。结果表明,中国及其周边区域IGS站不同方向的噪声间具有中等强度以上的相关性,其中N方向闪烁噪声与其他方向闪烁噪声的相关性要强于白噪声。水平方向的噪声振幅能够解释垂直方向噪声振幅变化的40%~60%,而N方向噪声振幅能够解释E方向噪声振幅变化的60%~80%,获得的线性回归方程具有使用价值。     

GNSS坐标时间序列周期项自动提取方法

针对目前对坐标时间序列周期项探测的方式受噪声和旁瓣的影响较大,且不利于大规模数据处理的问题,提出了一种基于显著性水平的周期项自动探测识别方法,并利用仿真数据验证了其性能.然后利用该方法对全球分布的1082个测站的坐标时间序列进行了周期项提取.研究结果表明,该方法能够在噪声和旁瓣的影响下实现对潜在周期项的自动探测和提取,...     

山东CORS坐标时间序列周期与噪声特征分析

针对不同区域的周期和噪声特性存在差异,以27个山东连续运行参考站(CORS)2015—2018年的坐标时间序列为研究对象,进行周期和噪声特征分析.结果 表明:坐标时间序列并没有严格的周期信号,U方向的周期运动较为规律;坐标分量的谱指数显示大部分站点可用白噪声(WN)+闪烁噪声(FN)的噪声模型进行描述;采用最大似然估计...     

云南地区GPS垂向时间序列周期项信号的SSA提取

针对传统的GPS时间序列最小二乘(LS)谐波函数模型方法不能精确提取GPS垂向时间序列的周期项信号问题,该文以云南地区2011年1月—2017年6月连续观测的27个GPS基准站数据为例,使用主成分分析(PCA)获得27个测站的共模误差,然后分别使用奇异谱分析(SSA)和LS方法对PCA滤波前后的测站时间序列进行周期项信号提取.实验结果表明,原始时间序列分别减去SSA、PCA-SSA、LS和PCA-LS提取周期项信号的RMS减少百分比平均为25.66％、17.23％、16.76％、16.76％;原始时间序列与4种方法提取周期项信号的相关系数平均为0.66、0.55、0.54、0.54,说明SSA提取的周期项信号要优于其他3种方法,将SSA应用于云南地区GPS垂向时间序列的周期项信号提取是可行和有效的.