本文選題：中國陸態(tài)網(wǎng)　切入點：GPS坐標時間序列　出處：《西南交通大學(xué)》2017年碩士論文

【摘要】：隨著GNSS技術(shù)不斷發(fā)展,高精度的GNSS技術(shù)已成為地球物理及地球動力學(xué)現(xiàn)象的重要監(jiān)測手段。對中國大陸構(gòu)造環(huán)境監(jiān)測網(wǎng)絡(luò)(簡稱"中國陸態(tài)網(wǎng)")GPS基準站坐標時間序列進行主成分分析,并以此研究中國大陸地區(qū)坐標時間序列誤差時空分布特征,能夠提高對中國陸態(tài)網(wǎng)坐標時間序列噪聲特性和中國大陸地區(qū)地殼形變特征的認識。陸態(tài)網(wǎng)站點原始坐標時間序列特征表明基準站水平方向主要以板塊運動引起的線性運動為主,垂直方向主要呈現(xiàn)周期性變化特征且波動幅度大于水平方向。剔除掉觀測數(shù)據(jù)小于70%的部分站點,共保留了 224個站點坐標時間序列用于本次研究�；谧钚《藴蕜t去除站點原始坐標序列中存在的趨勢項、突變項,基于四分位數(shù)粗差探測法去除粗差,并且采用三次樣條插值法補齊站點中小于三天的連續(xù)缺失坐標序列數(shù)據(jù)。大于等于三天的缺失坐標序列,先計算出該觀測時段內(nèi)有效站點的坐標序列的平均值來補齊缺失數(shù)據(jù),然后對坐標時間序列進行迭代主成分分析,取10-6為迭代過程中缺失數(shù)據(jù)前后兩次差的閾值來獲取連續(xù)的坐標時間序列。針對預(yù)處理后連續(xù)的坐標分量時間序列,分別組建坐標時間序列矩陣進行主成分分析。根據(jù)N、E、U(南北、東西、垂直)三個方向主成分以及對應(yīng)的空間特征向量分析了共模誤差,站點響應(yīng)區(qū)域分布特征以及異常站點對主成分分析結(jié)果的影響。分析結(jié)果表明僅通過第一主成分已不能體現(xiàn)公共模式的特征,本文可以將前三個主成分納入共模誤差分析。此外西北地區(qū)、華北地區(qū)以及云南地區(qū)各主成分的站點空間響應(yīng)顯示出了相對的一致性分布特征,水儲量變化很大程度上是引發(fā)該響應(yīng)特征的原因。在去除了區(qū)域空間響應(yīng)異常的站點后,各方向攜帶較多坐標序列信息的第一、二主成分受到較大影響,垂直方向表現(xiàn)最為明顯,且站點空間響應(yīng)都明顯提高。
[Abstract]:With the development of GNSS technology, High precision GNSS technology has become an important monitoring method for geophysical and geodynamic phenomena. The temporal and spatial distribution characteristics of coordinate time series errors in mainland China are also studied. It can improve the understanding of the noise characteristics of the coordinate time series of the land network in China and the crustal deformation characteristics in the mainland of China. The characteristics of the original coordinate time series of the land site point indicate that the horizontal direction of the reference station is mainly caused by the plate movement. The linear motion of the. The vertical direction is mainly characterized by periodic variation and the fluctuation is larger than that in the horizontal direction. Some stations with observation data less than 70% are excluded. A total of 224 site coordinate time series were retained for this study. Based on the least square criterion, the trend term in the original coordinate sequence of the station was removed, the mutation term was removed, and the gross error was removed based on the quartile gross error detection method. Using cubic spline interpolation method to correct the missing coordinate sequence data for less than three days, the missing coordinate sequence greater than or equal to three days, the average value of the coordinate sequence of the valid site in the observation period is calculated first to correct the missing data. Then the coordinate time series is analyzed by iterative principal component analysis, and 10-6 is taken as the threshold value of the two differences before and after the missing data in the iterative process to obtain the continuous coordinate time series. The coordinate time series matrix is set up for principal component analysis, and the common mode error is analyzed according to the three principal components in the three directions (north, south, east and west, vertical) and the corresponding spatial eigenvector. The characteristics of site response area distribution and the influence of abnormal sites on the results of principal component analysis (PCA). The results show that only the first principal component can no longer reflect the characteristics of the common pattern. In this paper, the first three principal components can be incorporated into the common mode error analysis. In addition, the spatial responses of the principal components in Northwest China, North China and Yunnan show relatively consistent distribution characteristics. The change of water reserves is the reason for this response feature to a great extent. After removing the stations with abnormal regional spatial response, the first and second principal components of each direction carrying more coordinate sequence information are greatly affected. Vertical performance is the most obvious, and site space response are significantly improved.
【學(xué)位授予單位】：西南交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：P228.4

【相似文獻】

相關(guān)期刊論文 前10條

1 施久玉,杜金觀;有限個狀態(tài)時間序列的某些結(jié)果[J];應(yīng)用數(shù)學(xué)學(xué)報;1990年01期

2 馮希杰;長江三峽及其鄰區(qū)斷裂活動時間序列[J];華南地震;1991年02期

3 王霞,郭嗣琮,劉淑娟;時間序列模糊滑動預(yù)測[J];遼寧工程技術(shù)大學(xué)學(xué)報(自然科學(xué)版);1999年03期

4 溫品人;時間序列預(yù)測法的實際應(yīng)用分析[J];江蘇廣播電視大學(xué)學(xué)報;2001年06期

5 許清海;混沌投資時間序列的嬗變[J];漳州師范學(xué)院學(xué)報(自然科學(xué)版);2003年01期

6 程毛林;時間序列系統(tǒng)建模預(yù)測的一種新方法[J];數(shù)學(xué)的實踐與認識;2004年08期

7 高潔;長記憶時間序列適應(yīng)性預(yù)測的應(yīng)用[J];江南大學(xué)學(xué)報;2004年05期

8 高潔;孫立新;;長記憶時間序列的適應(yīng)性預(yù)測誤差的譜密度[J];統(tǒng)計與決策;2006年13期

9 楊鐘瑾;;淺談時間序列的分析預(yù)測[J];中國科技信息;2006年14期

10 李健;孫廣中;許胤龍;;基于時間序列的預(yù)測模型應(yīng)用與異常檢測[J];計算機輔助工程;2006年02期

相關(guān)會議論文 前10條

1 周家斌;張海福;楊桂英;;多維多步時間序列預(yù)報方法及其應(yīng)用[A];中國現(xiàn)場統(tǒng)計研究會第九屆學(xué)術(shù)年會論文集[C];1999年

2 馬培蓓;紀軍;;基于時間序列的航空備件消耗預(yù)測[A];中國系統(tǒng)工程學(xué)會決策科學(xué)專業(yè)委員會第六屆學(xué)術(shù)年會論文集[C];2005年

3 盧世坤;李夕海;牛超;陳蛟;;時間序列的非線性非平穩(wěn)特性研究綜述[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

4 李強;;基于線性模型方法對時間序列中異常值的檢測及證券實證分析[A];加入WTO和中國科技與可持續(xù)發(fā)展——挑戰(zhàn)與機遇、責(zé)任和對策（上冊）[C];2002年

5 戴麗金;何振峰;;基于云模型的時間序列相似性度量方法[A];第八屆中國不確定系統(tǒng)年會論文集[C];2010年

6 謝美萍;趙希人;莊秀龍;;多維非線性時間序列的投影尋蹤學(xué)習(xí)逼近[A];'99系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會論文集[C];1999年

7 張大斌;李紅燕;劉肖;張文生;;非線性時問序列的小波-模糊神經(jīng)網(wǎng)絡(luò)集成預(yù)測方法[A];第十五屆中國管理科學(xué)學(xué)術(shù)年會論文集（下）[C];2013年

8 黃云貴;;基于時間序列的電網(wǎng)固定資產(chǎn)投資規(guī)模研究[A];2012年云南電力技術(shù)論壇論文集（文摘部分）[C];2012年

9 李松臣;張世英;;時間序列高階矩持續(xù)和協(xié)同持續(xù)性研究[A];21世紀數(shù)量經(jīng)濟學(xué)（第8卷）[C];2007年

10 陳赫;羅聲求;;歷史橫斷面數(shù)據(jù)的時間序列化[A];科學(xué)決策與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會第六次年會論文集[C];1990年

相關(guān)重要報紙文章 前6條

1 ;《時間序列與金融數(shù)據(jù)分析》[N];中國信息報;2004年

2 何德旭 王朝陽;時間序列計量經(jīng)濟學(xué)：協(xié)整與有條件的異方差自回歸[N];中國社會科學(xué)院院報;2003年

3 劉俏;讓數(shù)據(jù)坦白真相[N];21世紀經(jīng)濟報道;2003年

4 西南證券高級研究員 董先安邋德圣基金研究中心 郭奔宇;預(yù)計6月CPI同比上漲7.2%[N];證券時報;2008年

5 東證期貨 王愛華　楊衛(wèi)東;兩年漲跌輪回 秋季普遍下跌[N];期貨日報;2009年

6 任勇邋鄭重;中國對世界鋼材價格的影響實證分析[N];現(xiàn)代物流報;2007年

相關(guān)博士學(xué)位論文 前10條

1 張墨謙;遙感時間序列數(shù)據(jù)的特征挖掘：在生態(tài)學(xué)中的應(yīng)用[D];復(fù)旦大學(xué);2014年

2 張德成;滑坡預(yù)測預(yù)報研究[D];昆明理工大學(xué);2015年

3 苗圣法;時間序列的模式檢測[D];蘭州大學(xué);2015年

4 翁同峰;時間序列與復(fù)雜網(wǎng)絡(luò)之間等價性問題及表征應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2015年

5 楊婷婷;用Argo浮標結(jié)合衛(wèi)星觀測估算北太平洋經(jīng)向熱輸運[D];中國科學(xué)院研究生院(海洋研究所);2015年

6 史文彬;時間序列的相關(guān)性及信息熵分析[D];北京交通大學(xué);2016年

7 原繼東;時間序列分類算法研究[D];北京交通大學(xué);2016年

8 盧偉;基于粒計算的時間序列分析與建模方法研究[D];大連理工大學(xué);2015年

9 胡建明;基于正則化核學(xué)習(xí)模型的時間序列多步預(yù)測的研究與應(yīng)用[D];蘭州大學(xué);2016年

10 王曉曄;時間序列數(shù)據(jù)挖掘中相似性和趨勢預(yù)測的研究[D];天津大學(xué);2003年

相關(guān)碩士學(xué)位論文 前10條

1 陳健;基于多變量相空間重構(gòu)的投資組合策略研究[D];華南理工大學(xué);2015年

2 蘭鑫;時間序列的復(fù)雜網(wǎng)絡(luò)轉(zhuǎn)換策略研究[D];西南大學(xué);2015年

3 米曉將;區(qū)域尺度下月均氣溫的時空演化格局研究[D];昆明理工大學(xué);2015年

4 張鳴敏;基于支持向量回歸的PM_(2.5)濃度預(yù)測研究[D];南京信息工程大學(xué);2015年

5 林健;基于改進小世界回聲狀態(tài)網(wǎng)的時間序列預(yù)測[D];渤海大學(xué);2015年

6 曹智麗;日氣溫和干旱指數(shù)支持向量回歸預(yù)測方法[D];南京信息工程大學(xué);2015年

7 高雄飛;基于分形理論的土壤含水量時間序列特性分析[D];長安大學(xué);2015年

8 姚茜;城市安全生產(chǎn)發(fā)展目標研究[D];中國地質(zhì)大學(xué)(北京);2015年

9 謝翠穎;蘇州社會消費品零售總額簡析[D];蘇州大學(xué);2015年

10 包仁義;基于時間序列的搜索引擎評估模型算法研究[D];東北師范大學(xué);2015年

，

本文編號：1653258