基于CERES观测数据的全球行星反照率时空变化特征分析

为了理解行星反照率时空变化规律及成因,基于CERES数据对全球行星反照率的大气(主要为云与气溶胶等)和地表贡献进行了分解,通过Theil-Sen+Mann-Kendall方法得到了2001～2018年全球行星反照率及其大气和地表贡献的时空变化趋势,并基于回归分析方法对典型区域的变化趋势进行了初步解释.研究结果表明:1)...     

一种CORS站高程序列噪声识别算法

针对能量密度谱判断噪声与信号主导模态分界点性能不稳定的问题,该文提出基于夹角余弦的分界点判断方法。该方法首先利用EEMD对CORS站高程数据进行分解,其次计算原始信号与各阶模态分量的夹角余弦值,最后根据夹角余弦值的首次逆向转折位置判定噪声主导模态和信号主导模态的分界点。以4个CORS基准站近20年原始高程时间序列信号为研究对象,对噪声与信号模态分量分界点进行判定,实验结果表明采用基于夹角余弦的判定方法可以一次判断出噪声和信号模态分量的分界点。该方法应用到CORS站高程信号与噪声序列的识别中性能更加稳定。     

快速滤波本征模态函数分解中的边界处理

针对快速滤波分解信号为本征模态函数(IMF)所产生的边界效应问题,提出了一种抑制这种边界效应的方法。即利用快速滤波先将原信号分解为本征模态函数,然后在信号内部截取适当的两段分别延拓到原信号两端,经快速滤波得到分解结果后,再截去延拓的部分,保留原信号长度的分解结果。通过实例验证了该方法的有效性。     

区域水资源协调分析

本文建立了区域水资源协调分析的概念模型和通用多区域-多目标数学模型(MAOM),并结合新疆昌吉州的具体情况,运用目标规划法进行求解,确定了昌吉州近期和远景的水资源合理利用结构。     

冬季青藏高原地面加热与春季川渝地区气温关系的分析

应用奇异值分解(SVD)技术，研究了青藏高原地面加热场与东亚地区上空500hPa高度场及其东侧川渝地区春季气温场的时空联系和冷暖异常成因。结果表明：前期冬季青藏高原地面加热场与后期春季高度场的第一模态代表了两场间的主要耦合特征，具有显的时空相关；前期冬季青藏高原地面加热场通过影响后期春季500hPa高度场，导致高原东侧川渝地区春季气温异常；冬季高原地面加热场强度偏强(弱)，则后期春季东亚上空500hPa高度场偏高(低)，川渝地区春季气温偏高(低)；加热场高度场一气温场之间的这种非同步联系，表明冬季青藏高原地面加热场异常，通过影响未来春季大气环流变化，是造成高原东侧川渝地区春季气温异常的重要原因。     

局部奇异值分解法压制随机干扰

对于低信噪比资料,压制随机噪声,增强有效信号是地震资料处理的首要任务。而传统的奇异值分解去噪算法,在有效信号横向相干性较强时,去噪效果明显,但当有效信号同相轴呈倾斜、弯曲或孤立状态时,其在压制随机噪声的同时,存在滤除部分有效信号的弊端,为此通过对不同时窗内的地震数据进行拉平、奇异值分解数据重构与反拉平等处理方法,对常规奇异值分解算法进行改进,以克服其对包含非水平连续信号资料去噪效果差的局限。理论数据和实际资料的去噪结果表明,改进后的算法去噪效果明显优于常规奇异值分解法,能在保证有效波不被滤除的前提下有效提高地震资料的信噪比。     

基于小波分解的差分灰色神经网络-AR模型及其在地铁隧道沉降预测中应用研究

提出了一种基于小波分解的差分灰色神经网络-AR模型。该方法利用小波分解,将监测数据中稳定性较好的低频序列利用差分灰色神经网络进行预测,消除了由于灰色预测残差不平稳而导致的预测误差;对呈现平稳序列的高频数据采用自相关强的AR时间序列模型进行预测,并对上述结果进行小波重构得到最终的预测结果。结合某地铁隧道的实测沉降数据,与灰色模型GM(1,1)、差分灰色神经网络模型进行对比,结果表明:本文提出的基于小波分解的差分灰色神经网络-AR模型精度更高,能够对隧道沉降监测作出更加准确的模拟和预报。     

GNSS坐标时序空间域共模误差去除研究

针对区域GNSS坐标时序存在共模误差(common mode error, CME)的问题,以华北地区GNSS坐标时序为例,提出可用于消除空间域误差的主成分分析法PCA与完全集合经验模态分解法ICEEMDAN。首先使用PCA滤波提取CME;然后使用ICEEMDAN方法分解CME,提取出有用的IMF分量,减少原始信息的损失;最后对比分析PCA、ICA、IC-PCA三种方法的区域滤波效果。结果表明,IC-PCA的滤波效果优于ICA和PCA,IC-PCA滤波前后N、E、U三个方向上的残差RMS平均降低1.93%、1.92%和7.60%,且滤波结果与原始时间序列变化趋势更加吻合,可有效减少PCA对原始时间序列造成的损失。     

EEMD-多尺度排列熵的GPS高程时间序列降噪方法

针对GPS高程时间序列受各类噪声干扰的影响,导致难以提取有用信息的问题,提出一种基于整体经验模态分解(EEMD)结合多尺度排列熵(MPE)的阈值降噪方法。该方法以EEMD为核心算法,将原始信号分解成一系列本征模态函数(IMF),并采用MPE作为指标将其分类为噪声IMF、混合IMF和信息IMF;然后利用阈值函数处理混合IMF,实现二次降噪;再重构降噪后的数据与信息IMF,获得降噪结果。仿真信号和实例分析结果表明,该方法与相关系数法、MPE法相比,降噪评价指标RMSE、SNR和d_nSNR均为最优,说明该降噪方法效果最好,本文方法获得的降噪结果能够更好地反映出时间序列本身的非线性变化特性,可为GPS高程时间序列分析提供可靠依据。