�й���ͼ�ϵIJ��ϵ��������о�

?ο?1935?桢1951???2009?桶??????????2005?桶?????????????????????淽????????й?????????????????????????????????±???????????9??????????36???????????????????????????????Ч????     

������CORSվ�춥�������ӳ������ڱ仯�о�

??????????9??GPS????????????????????4??IGS?ο??????????????????????????GPS??????????????????????????仯????????λ???GPS????????????????????????????以????????4 mm??????????????1 cm??2006???2007?????????9 mm???????????4 cm??     

GPS /VRS����ʵʱ���ܹ�������㷨�о�

??????????????????GPS/VRS????????,??????IGS?????????????GPS?????????????????????????GPS/VRS????ο???????VRS?????????????????????????GPS???????вο?????磨SGRSN????????????GPS??????磨SCIGN????????????????????????г?????????????????????????·??????и??????????????????????????????????0.004??10 ^-6??????????100 km?????RTK??λ??????????????????GPS/VRS????????????RTK??λ???????????????     

һ�ֻ��ڶ��������Ե�ң��Ӱ�����ŷָ�߶����۷���

???????????????????????????????????ο?????????????????????????????????????????????????????????????????????????????????????????ο???????????ο?????????????????????????????????????????????????????????????????????????????????World View??2???????????????飬???????????÷???????Ч??????????     

�й���½������GRACE���������仯�о�

??????????GRACE????????????仯??????????? ??GRACE??????λ??????????????????????????????????????????????????й?????????????????仯???????????800 km??????????ó????????????仯?????     

����VRS��GPS������λ�۲�ֵ�����㷨�о�

???????ο?????????λ?????????????????????λ????????????????????????????????????????????????ο????????????λ?????????????????вο??????????????????????ο???????SeuVRS1.0???????????顣?ο??????????????????????????????ο????????????Ч??????????????????Χ???????????λ????????     

���ø�ƵGPS���е���̬���η���������λ

???t??????λ???????ó??????Mw 9.0??????8??GPS????????????С?????????GPS?ο?????????α??????????????????Σ????????λ???5.9 m???????????λ???1.8 m????λ?????峯?????з???????????ο??????????????????????????λ?ü?S??????????     

����SUSAN����Ľ��㷨��InSAR����ͼ�˲��о�

??SUSAN?????????InSAR???????и???????????SUSAN??????????InSAR????????????????????????????Ч?????SUSAN???????SUSAN??????????Goldstein????????ж????飬???????SUSAN??????????Goldstein???????????λ????????Goldstein??????????71.7%????82.6%??SUSAN???????????????????????????????????????????????????????????????????     

����ׯ���ҵ㴹ֱ�α������о�

???????????????α???????????п???????????????????????????????????????????????ο????ο????????????????????GPS??????????????????????????????????????????2.5 mm/a???????3???     

�͹����ǹ����ϼ�Ԥ�������о�

????????CHAMP??????????б??????????????????????????????????????????????????????????????????????????????????????б???????????????????????????????????Ч????????????,?б???????????????????????m???????????GPS?????????????б??????????CHAMP?????????????????????÷???????????????б???????????????????????????ж????????????     

局部连续场下重力基准图插值优选算法

针对传统重力基准图制备中插值算法多、算法选择费时费力的实际,重点研究在局部重力场下插值算法的快速优选问题。结合长期制图的统计数据,利用层次分析法确定权值,并定义了算法优选量化系数--优选度,实现对不同插值算法的快速初步遴选。结果表明,该算法切实提高了特定条件下重力基准图插值算法的选取速度。     

��GPS����InSAR�����ӳ������о�

?????????InSAR???????????????????????????GPS????InSAR????????????????????????InSAR???????????Ч???????????SAR???????????????????????????????GPS?????????????м???????????????????巨??IDW????GPS????????????????д???????????????????????????????????????費?????????????????????IIDW????巨????????????????????????????巨?????????????????????????巨????????????????????????????????????????????????巨Ч?????á?     

CSCORS��׼վλ�����ʽ��������

??????????λ?????????????????λ????????????????????????????????????????????GPS????α??????????????????????????GPS???????????λ???????????ü?????????????????????????????CSCORS???????????ε?λ????????????????β??λ??????????????仯????????????λ???????????????????GPS????????????ò????????ò????λ???????     

基于ARMA模型的地磁偏角缺数处理方法

针对地震仪器记录的地磁数据存在单点缺失和连续多点缺失而不利于地震数据处理和地震预报的问题,同时为了快速处理非震异常值,本文提出将时间序列自回归移动平均（ARMA）预测模型用于地磁数据插值处理,并与均值插值、线性插值进行对比分析。结果表明,均值插值、线性插值和 ARMA 模型单点缺失的平均标准误差分别为 0.110 2、0.006 9 和 0.000 1,连续多点缺失的平均标准误差分别为 0.258 23、0.194 2 和 0.004 86,说明 ARMA 模型在单点缺失和连续多点缺失时均具有较低标准误差,且能很好地保持实际观测序列的曲线形态,插值效果较好,有望成为地磁数据序列处理的一种新方法。     

基于CORS的DInSAR大气延迟校正方法研究

针对利用GPS数据改正DInSAR大气延迟误差中存在CORS站点稀疏的问题,给出一种广义曲面拟合插值模型,并基于北京地区的GPS观测数据和SAR影像对比较了反距离加权插值模型（IDW）和曲面拟合插值模型（CSF）用于区域对流层延迟建模的精度,然后对SAR差分干涉图进行大气延迟校正。结果表明,曲面拟合模型比反距离加权模型更能反映区域单差对流层延迟特性,两次实验的插值精度分别达到了7.1和3.5 mm。采用CORS观测数据和曲面拟合内插模型,可有效削弱DInSAR中的大气延迟误差,提高DInSAR测量结果的精度。     

新疆阿克苏河流域降水空间变异特征分析

根据阿克苏河流域降水空间观测数据,其降水稀疏且分布不均匀的特点,选取不同模型对降水空间变化规律进行研究,其结果精确性差异很大。通常应用地统计理论研究降水空间变异性,一般只涉及单个变量,传统的多元回归分析虽然涉及多个变量的影响,但缺乏区域化的空间结构特征。揭示具有协同区域化特征的降水空间变异现象及建立其空间分布模型,既要考虑多元信息的空间位置关系,即同一变量在不同地理位置上的相关性,又要考虑多元信息由于空间重复性引起的协同关系,即同一地理位置上不同变量的相关性。本文用阿克苏河流域范围内的降水观测数据建立析取-协克立格模型,考虑高程变量对降水量空间分布的影响,定量地揭示降水区域化变量的空间变异规律,并将其结果用于降水量的空间最优插值。     

AMMI模型的DEM内插方法不确定性研究

 内插模型的精度评价问题一直是DEM内插研究中的热点问题。以往较多的研究关注插值模型本身的精度评价,却忽略了插值模型与应用环境之间的交互作用,例如,普通克里金方法作DEM内插一般精度较差,但是当插值区域平坦时,该方法的插值精度却很高,这表明该方法对平坦地形的插值问题具有较好的适应性。为了分析不同插值模型在不同地形环境下的适用性,本文选取陕北黄土高原地区不同地貌类型的实验样区,应用AMMI模型对不同内插模型的精度,以及对不同地貌类型的适用性进行评价,该模型最大的特点是很好地结合了方差分析与回归分析的特点,特别适合于不同影响因素之间交互作用的分析。实验结果表明,AMMI模型可以有效地分析内插方法与地貌环境对内插精度的交互作用,不同的内插方法对不同的地貌类型区的适用性存在差异。以本文的研究为例,在陕北黄土高原地区最稳定的DEM内插方法是样条函数法,而反距离加权法与Top to Raster方法精度会更高。最后,通过对环境指数与若干地形因子的相关性分析,表明地貌类型区的坡度可以粗略地代表第一环境指数。     

基于GPS高程时间序列粗差的抗差探测与插补研究

研究抗差估计和稳健估计粗差探测IQR准则的粗差剔除算法以及缺值点插值的正交多项式最小二乘拟合方法。以中国3个CORS基准站从1999-03-01—2009-12-31日的单天解GPS高程时间序列为对象进行粗差探测与插补的试验。结果表明：抗差估计比IQR准则能更有效地探测和剔除粗差;三次样条插值当连续缺失历元超过5~10个时插值结果易发生扭曲;低次正交多项式拟合的结果稳定,一般选择2~3次拟合即可获得理想的效果,当连续缺失历元达3个月时,正交多项式拟合后的曲线与序列趋势仍基本一致。     

多年平均气温数据空间化误差的尺度效应

属性数据空间化是利用矢量数据生成栅格数据产品的有效方法,它有助于不同来源、不同格式之间的数据的综合分析。空间化是一种必然有误差伴随的过程,为探讨空间化误差与数据源密度、空间化模型方法,以及空间化分辨率之间的关系,本文利用7种水平的气象站点密度、5种空间化模型方法和19种栅格分辨率分析多年平均气温数据空间化误差与这3类影响因子之间的关系。分析发现：（1）气象站点密度的降低导致多年平均气温数据的空间化误差增加;（2）在IDW、Kriging、Adjusted IDW、Regression和Anusplin 5种空间化模型方法中,Adjusted IDW、Regression、Anusplin比IDW、Kriging的精度高;（3）随着栅格分辨率的变粗,多年平均气温数据空间化误差增大;（4）在影响空间化精度的3类因子中,空间化模型方法对空间化精度的影响最大,栅格分辨率次之,气象站点密度的影响最小。通过多元回归分析,建立了多年平均气温数据空间化误差与这3类影响因子之间的定量模型,可为空间化技术方案的制定提供参考和依据。