文摘

各种气候因素影响精度的长期全球导航卫星系统(GNSS)的监测数据。精确地分析不同气候的影响因素对长期GNSS监控记录,本研究结合扩展seven-parameter Helmert转换和一个名叫极端梯度增加的机器学习算法(XGboost)建立混合模型。我们建立了一个局部范围参考系称为稳定2019年波多黎各和维尔京群岛参考系(PRVI19)使用十连续操作长期GNSS网站位于波多黎各和维尔京群岛的刚性部分(PRVI)微型板块。PRVI19大约是0.4毫米/年的稳定和0.5毫米/年的水平和垂直方向,分别。稳定的参考系PRVI19可以避免偏见的风险由于长期板块运动学习时局部地面变形。此外,我们XGBoost算法应用于位长期GNSS记录和日常气候数据训练模型。我们每天定量评估的重要性,各种气候因素对GNSS时间序列。结果表明,风是最具影响力的因素不得不指数为0.013。值得注意的是,我们使用了模型与气候和GNSS记录来预测GNSS-derived位移。结果表明,预测位移相比略低的均方根误差拟合结果使用样条方法(预测:0.22与安装:0.31)。 It indicates that the proposed model considering the climate records has the appropriate predict results for long-term GNSS monitoring.

1。介绍

在各种遥感技术、全球导航卫星系统(GNSS)中扮演一个重要的角色在提供基本的基础设施和已成功在变形监测中实现。全球GNSS,如美国的全球定位系统(GPS),俄罗斯全球导航卫星系统(GLONASS),欧盟的伽利略,和中国的北斗导航卫星系统(BDS),作为高效精密大地测量的监视工具。不同的工会或国家已经安装了大量的连续操作参考站(歌珥)不同监测目的,包括板块边界天文台(PBO)由国家科学基金会(NSF)地球镜,歌珥GPS网络由美国国家大地测量、地球和GPS观测网络(地理网)的日本。全球超过506个永久GNSS站由国际GNSS服务管理(IGS)集团08年12月,2019年。原始RINEX(接收方独立交换格式)文件GNSS站在不同的歌珥网络免费下载通过大学导航星财团(UNAVCO)或国家大地测量(上天)数据归档设施(1,2]。最初GPS、GPS系统,是一种广泛使用的卫星定位系统,特别是指美国GNSS拥有并经营的。在美国,已广泛应用于GPS信号监测服务自1989年以来3]。尽管这项研究只使用GPS信号,GNSS目前使用的总称所有提到的全球卫星定位系统。出于这个原因,本研究GNSS使用这个术语。

理解GNSS的气候变化时间序列对监视应用程序很重要。期间的一半,在实践中,一个,或两年,长期监测时间序列的周期性波动和反弹特征引发的气候的影响,这使得用户不专业的精密大地测量学混淆GNSS监控。气候因素,主要包括降雨、温度差异,风速、可见性、露水,和湿度,一直是一个问题在长期监测GNSS运营商和用户数据。徐et al。4]证明气候变化导致期刊多种热膨胀的基岩(TEB)。董et al。5)建立了混合模型消除长期时间序列的季节性变化。燕et al。6)结合热膨胀模型与质量负载模型研究观察年度GNSS高度变化。Munekane [7]提出大温差引起的最大垂直位移三毫米在24小时内,建立了一个模型来移动它。气候变化被认为是目标变形的影响因素。此外,由于气候包括各种各样的部分,由于当地气候变化对GNSS观测的影响需要进一步仔细研究。因此,有必要定量分析造成的影响权重不同气候因素对长期GNSS监测时间序列。

实现定量分析的结果对GNSS的影响时间序列不同的日常气候因素造成的,我们需要高精度GNSS记录。GNSS观测的准确性和精度是影响GNSS设备的类型和处理方法。一般来说,有两种广泛使用的GNSS数据后处理方法:相对定位和绝对定位。载波相位相对定位方法使用的双差分(DD)方法解决差相位模糊站和卫星之间之间的整数值(8]。DD方法使用同步GNSS记录至少两个GNSS站,以及至少一个的GNSS站应该安装在一个稳定的基础或已知位置对一个特定的参照系。绝对定位方法只需要一个单一的GNSS站确定位置不使用任何同步其他站的数据。该方法使用undifferenced双频伪距离和载波相位观测除了精确的卫星轨道和时钟信息来确定一个独立的GNSS站的位置(9]。

精密单点定位(PPP)是一个典型的GNSS后处理绝对定位方法,它使用一个single-receiver phase-ambiguity-fixed分辨率计算每日最初的原始数据。PPP解决方案的精度,大大增加了在过去十年中,它们主要属性高度精确的卫星轨道和时钟数据提供的国际GNSS服务(IGS)和新算法用于解决相位模糊在单个接收机(10]。此外,PPP算法具有操作简单和可以提供一致的准确性(11,12]。考虑的风险缺乏高质量的参考GNSS站在使用相对DD方法,方便使用购买力平价方法处理GNSS数据监测长期结构性变形或表面土地运动。在这项研究中,软件包流浪/绿洲(V6.4)采用PPP处理策略应用(13]。宽巷和相位偏差的估计是由喷气推进实验室(JPL)。应用流浪时/绿洲软件解决日常的立场,他们在处理 , ,和地心笛卡尔坐标系统。被广泛接受的全局引用命名国际地球参考系(ITRF)来源于最小化的方法选择的总体水平运动全球永久站(14]。利用GNSS研究全球构造运动,最常见的全球参考系基于GNSS网站是必需的。目前,最新的地球,地球定点全球参考系国际GNSS服务建立了2014 (IGS14)和ITRF2014基准对齐,这是更新后的2017年1月从ITRF2008 [15]。然而,参照系的选择是出于研究的目的。在大陆范围内的研究区域,如北美,NA12定义了299个GPS监测站和设计同步旋转与北美板块的内部稳定16]。同时,另一个北美板块固定参考系(NAD83参考系)成立造成需求的坐标地点位于相接的美国(本土),阿拉斯加,在加勒比海和美国领土。然而,高精度GNSS监测时间序列不可避免地包括背景subcentimeter水平在大陆规模内构造运动参考系(17]。millimeter-level内部构造运动很容易掩盖和偏见在一个不恰当的参照系18]。为此,有必要建立一个稳定的地区或当地的参考系研究关注地区或当地的尺度。

规模、方向、起源和这些参数随时间的变化是主要的物理和数学性质的参考系。在大地的应用程序中,一个稳定的局部坐标系主要从最新的和完善的全球使用Helmert参考系变换。一群GNSS参考站(常见分)通常被用来将目标区域或局部坐标系全球参考系(例如,IGS14)。皮尔森和Snay19]使用14-parameter转换方法转换坐标从全球参考系IGS08 NAD83区域参考框架,这是由门店维护。从理论上讲,一个点的坐标指IGS14全球参考系时不同转换为地区或当地的参考系。然而,变形监测主要关注目标的变形速度/位移研究区域而不是自己的坐标参考系。一般来说,相对需要高精度位移或变形速率在不同的区域监视应用程序。

在实践中,高度精确的GNSS记录处理之后,它仍然是一个挑战,定量分析影响的权重不同气候因素对GNSS时间序列。然而,随着计算机科学的发展,机器学习的方法达到一个戏剧性的发展速度,提供了一种新的工具来探索新的分析方法在大地测量学和地球科学。方法可以定量分析假说和协助捕获高维数据集(20.,21]。此外,机器学习方法已经广泛应用于地球科学。Rouet et al。22)评估卡斯卡底古陆俯冲带的断层运动。Phrampus et al。23]预测全球SEAFLEA遇到的概率。安德森和卢卡斯(24)提出了气候合奏的方法来预测天气,建立各种各样的气候模型。任等。25)使用机器学习算法和高精度估计断层摩擦。机器学习算法有可能帮助研究人员进一步解释和探索地球科学中的问题背后的理论。因此,我们应用集成学习方法分析影响的权重从各种日常气候因素对GNSS监测时间序列。在这项研究中,我们使用一个适当的监督机器学习(SML)算法,极端的梯度增加(XGBoost)之间的关系来确定各种日常气候因素和高度精确的GNSS的数据。

在本文中,我们提出了一个混合的方法来评估的影响日常气候因素对GNSS时间序列,使用扩展Helmert变换方法和XGBoost算法。模型是由高精度GNSS训练记录和各种长期气候记录。本文的贡献如下所示:(1)删除背景地壳运动监测当地地面变形时,我们提出了扩展Helmert变换建立高度稳定PRVI19当地参考系基于十均匀连续操作GNSS站至少有五年的数据(2)结合GNSS记录与毫米精度和当地气候数据的至少五年,我们XGboost机器学习算法应用于推导出权重的定量结果的影响从不同的日常气候因素对GNSS时间序列(3)基于该模型,我们预测了GNSS记录和验证他们真正的原始GNSS数据。结果表明,预测的精度高和预计,这项研究可以提供一种新的前景探索潜在的变形监测问题

2。数据和方法

2.1。使用扩展的Helmert转换坐标变换方法

Helmert变换,也称为7-parameter转换,用于进行免于扭曲参考系变换在三维(3 d)空间大地测量领域。从翻译7-parameter方法有三个参数,从旋转三个参数,一个参数的尺度选择的时代,随着时间的推移这七个参数的率。每日GNSS位置坐标变换的购买力平价的解决方案,网站的地心坐标对当地坐标系可以用下面的近似公式: 在哪里 , ,和一起逆时针旋转轴,轴,地心坐标系的轴; , ,和对这三个译本轴;和是一个微分IGS14之间的尺度变化和当地的参考系。

从理论上讲,每个时代的七个参数/天是不同的。因此,获取位置时间序列在当地的参考系,七个参数在每个时代必须提供。目前,有两种策略可以用来执行转换,每日seven-parameter转换和14-parameter变换(19]。连续观察成为可能每天七个转换参数计算和转换每日位置时间序列从一个参考系到另一个地方。然而,计算每日转换参数对于大多数用户来说太复杂,因为用户必须包括大量的参考站在每个时代转换参数计算。此外,很难确保数据质量和可用性的参考站在每一天。因此,这七个转换参数的GNSS时间序列可以通过线性模拟方法和方程:

在这里,代表一个特定的时代,这是设置为特定的时代。 , , , , , ,和是七Helmert转换参数在特定时代 。 , , , , , ,和是第一个衍生品(利率)的这七个参数,这是假定为常数;平移组件的单位( , , )米;单位的三个转动组件( , , )弧度;单位的利率平移组件( , , )米/年;单位的速度转动组件( , , )弧度/年,是一个无单位的规模。当地的参考系与原文的同源和规模全球参考系,即IGS14全球参考系在这项研究。上面的公式也要求使用比例因子的失真降到最低的点对点之间的距离两个参考系。一般来说,规模的因素可以设置为零在坐标系之间的转换全球参考系和当地一个参考系(26]。解决逆问题的常用点是最小二乘法。

然后,目标的坐标GNSS站称为本地坐标系可以通过:

同时,由于线性模型假设,利率的变化可以很容易地与两组转换参数计算两个不同的时代。在这项研究中,设置为时代(即。,20.15)和(即。,20.18)。因此,在两帧在时代的坐标都是一样的,都是零和七个参数。方法将这两个时代的帧 。时代的坐标计算以下方程:

为了计算转换参数在另一个时代 ,时代的坐标IGS14和地方坐标系可以通过以下方程:

这里,速度在当地参考系以来被视为零参考系是为了有一个零速度相对于刚性区域的一部分。与时代的坐标IGS14和当地的参考系,方程(1),(2)和(3)可以解决时代的七个参数 。通过了解时代的六个参数和 ,率的参数可以通过一个简单的鉴别方法:

然后,GNSS站点在任何时代的坐标可以从IGS14变成当地的参考系 , , , , ,和参数。

2.2。极端的梯度增加(XGboost)算法

在这项研究中,我们应用了极端梯度增加(XGboost)算法来预测地面位移和理解气候因素对GNSS监测时间序列有更多的影响。XGBoost提出了陈et al。27),它可以将许多回归树合并成一个强大的合奏的学习者。因为合奏,XGBoost可以充分捕捉复杂的相互作用的变量在监测时间序列,然后适应非线性动态位移的变化。这是我们选择的动机之一XGBoost。另一个原因是,XGBoost的强有力的解释力量之间的关系可以帮助我们理解不同的日常气候变量和预测高精度GNSS位移。

在XGBoost,添加剂一起回归树预测位移。那就是: 在哪里 是使用的空间回归树,是一个数据集包含历史位移,每个代表一个独立的回归树结构和叶重量 ,和代表回归树的叶子的数量。

XGBoost的优化函数可以写成: 在哪里β和λ系数,是一个可微凸损失函数代表测量位移和位移预测之间的差异,然后呢是惩罚项的目标函数有助于避免过度拟合的问题。

然而,由于复杂的体系结构,很难训练整体学习者。添加剂策略被广泛应用意味着树是训练有素的。树已经被训练将是固定的,然后,在一步添加一个新树。假设预测位移步骤是 ,然后在这一步优化函数可以写成: 在哪里是一个常数。使用二阶泰勒展开近似优化函数,它可以写成: 在哪里

与方程(19)和(20.),优化功能可以修改为: 在哪里 。给定一个树结构 ,的重量节点和极端的价值可以得到:

Breiman研究和弗里德曼(28),一个回归树 ,下面的方程可以用来测量树中的独立变量的相对重要性: 在哪里是一个非终结符节点和终端节点的树吗 , 是节点的分裂变量 ,和是平方误差的改进预测如果用作分离变量。一个学习者,这是一家集回归树 ,变量的相对重要性可以获得的平均超过所有添加剂树:

实现XGBoost使用R软件中的“XGBoost”包(29日]。

2.3。数据和选择

在大地测量学、地球参考系是意识到通过选择一组参考站和定义他们的位置和速度。参考站的选择是至关重要的建立一个稳定的参考框架。这里,很难设置任何数学或技术标准选择适当的GNSS参考站。一般来说,与一些先前提出的指导方针,参考站选择基于整体地理分布和长期(例如,> 5年)连续记录(30.,31日]。此外,它不需要相当大的沉降和隆起垂直速度的绝对值小于0.5毫米/年全球参考系IGS14引用。参考站本地不稳定将会降低整体的稳定性和精度的参考系。选择主要是基于研究区长期歌珥的可用性。此外,如果所选的GNSS网站有详细的日志,它可能有助于解释意想不到的步骤。GNSS时间序列的一步意味着突然升序或降序跳诱发地震,火山喷发,或/和GNSS设备改变。在本文中,我们选择了波多黎各和维尔京群岛北部(PRVI)目标区域。构造背景,动机的结果的结果,研究人员提出了存在刚性块波多黎各和维尔京群岛北部(PRVI)之间的加勒比板块和北美板块(32,33]。该地区被认为是一个构造稳定的微型板块没有尤其是加勒比地区的地壳运动和地壳运动的影响最小化。PRVI地区被认为是一个适当的区域应用方法。

PRVI地区也建立了一个适当的GNSS基础设施和有一个长期的土地监测历史。自1986年以来,GNSS站安装了研究人员研究加勒比板块构造运动(34]。PRVI地区,2020年,28 GNSS站与15秒定位记录位移观测。GNSS站覆盖在这个地区非常密集。PRVI地区拥有最密集的GNSS站在美国和已经被无数好监控永久GNSS站(30.]。例如,波多黎各的覆盖率沿着海岸大约是每公里20.0电台。八GNSS站PRVI区域内安装了波多黎各地震台网(PRSN)在波多黎各大学马亚圭斯校区(UPRM)。安装主要是由国家科学基金会(NSF)资助的主要研究工具(MRI)项目(ear - 0722540)。每日GNSS记录的采样率15秒UNAVCO公共数据存档机构存档。HLCM集团还安装了八GNSS站PRVI地区土地测量。HLCM Group inc .是一家私人调查公司,档案在捷GNSS数据数据归档。其他公共机构,如美国海岸警卫队,美国联邦航空管理局(FAA)和喷气推进实验室(JPL),还经营GNSS站PRVI地区。因此,完善GNSS网络和完整的设备维修记录提供了一个坚实的基础应用实验(图1)。此外,由于GNSS信号可能会被阻塞的情况下,开放的GNSS站需要安装区域。开放的领域,如建筑屋顶或山顶,可以保留最低GNSS多重路径干扰和信号块。图2显示了网站的观点在四种典型的永久性GNSS站PRVI地区所有的安装在开放区域,以避免GNSS信号块或多路径效应,坚实的纪念碑,即。short-drilled做好纪念碑,建筑纪念碑山。

季节性的气候影响地面变形,不同气候因素GNSS时间序列中执行不同的影响权重。在这项研究中,PRVI地区目前选择遵循一个热带雨林气候测试混合方法。记录的地区的年平均温度28°C,它有一个自1950年代以来增加的趋势(35]。减少降水的降水记录显示长期趋势在北部地区,展示历史干燥与积极的南方地区降雨趋势(36]。由于PRVI是位于加勒比海地区的岛屿之一,它有一个风速10英里/小时~ 14英里的记录在离地面10米。然而,飓风活动自1995年以来已经增加了。飓风活动的增加也可能是自然变化的结果(37]。同时,来自验潮仪自1900年以来的历史记录显示海平面上升(SLR) 1.7毫米/年。最近的卫星遥感技术显示单反的3.2毫米/年(自1992年以来38]。此外,由于雪/冰在不同的领域有不同的特征(如阿拉斯加和美国德州),它会导致一个非常不同的影响在GNSS时间序列(39]。值得注意的是,我们预计混合方法充分测试和普遍性的特点和效率。因此,我们选择一个位置没有雪/冰测试混合法。此外,精确地评估不同的气候造成的影响因素,选定研究区域需要有一致的气候数据。我们选择使用原始的每日气候监测连续站附近安装永久PRVI地区连续GNSS站。

3所示。结果

3.1。PRVI19当地参考系

本研究使用GIPSY-OASIS软件包(V6.4)获得日常使用购买力平价方法的解决方案。Firuzabadi和王40和王41)提出了一个孤立点检测和删除算法来清洁的位置或位移时间序列。平均6 ~ 7%的总样本已删除离群值。根据前面的调查,每日购买力平价的解决方案将达到3 - 5毫米水平准确性和5 - 8毫米垂直精度PRVI地区(30.]。GNSS站提供的购买力平价的解决方案对全球参考系。位置时间序列称为IGS14全球参考框架如图所示3。同时,原始的购买力平价的解决方案必然包括全球地壳运动的共同背景。因此,GNSS观测称为一个稳定的地方坐标系可以减小诱导从全球背景运动的影响。

在这项研究中,我们使用了扩展Helmert转换和选择十个永久站实现PRVI19参考系。大富翁的方法被用来计算速度和不确定性42]。十的速度选择参考站对不同的坐标系如图4。这些永久站的位置和相应的网站速度称为IGS14 PRVI19,分别列在表中1。七个Helmert参数改变全球IGS14参考系中列出的地方PRVI19参考系表2。此外,板重建和地球动力学的建模是由构造板块的刚度。稳定的当地参考系也依赖于假设的刚性板块。稳定或参考系的准确性可以被所有的平均速度评估参考站的参考系。自定义的参考系是参考站,在理想情况下,所有参考站应该彼此之间没有相对运动的参考系中定义。因此,如果PRVI地区被认为是一个严格的微型板块构造、局部稳定的参考系是0毫米/年。然而,在实践中,一个板块不是完全刚性,它不能被严格稳定。PRVI19,稳定达到约0.4毫米/年在水平和垂直大约0.5毫米/年。这种程度的准确性是至关重要的为研究地面运动millimeter-per-year PRVI地区。

理论上,较长的长度GNSS参考数据和更好的地理分布站可以提高稳定性的参考框架。王等人。18)更新了PRVI14当地参考系PRVI18最新全球参考系(从IGS08 IGS14)和参考站。然而,它表明,没有相当大的改善参考系的稳定性。在这项研究中,我们建立了当地的参考系与十PRVI19 GNSS数据的参考站和一个更长的长度。PRGY, PRLT PRMI GNSS站,位于西南和南部的PRVI地区被排除在参考站。那些站位于南斯拉断层附近是一个活跃的全新世结构在过去的5000年43]。斯拉哈斯山谷目前经历1.5毫米/年南北方向延伸和次要的右旋走滑(9]。MIPR站也排除在参考站,因为它接近P780 PRN4地理分布,和GNSS站2017年10月以来停止记录数据。虽然MIPR站的位置可以形成地理分布为当地参考系,我们仍然将它排除在参考站因为P780站有更好的质量和更长的长度数据和定位在同一地区。然而,PRVI19仍然不显著增加的稳定性与前两个相比当地参考帧,即。,PRVI14 PRVI18 [18,31日]。基于本地坐标系和PRVI19之前的版本中,这证明PRVI19当地参考系的稳定性正在接近的刚性PRVI构造块。

图5描述了近13年南北、东西,垂直位移时间序列在BYSP(2008 - 2020)关于IGS14 PRVI19参考系。它显示了显著差异水平速度当提到全球(IGS14)和地方(PRVI19)参考系。BYSP 13年的观测表明,它的速度 毫米/年NS和速度 毫米/年电子战对全球IGS14参考系;它有一个速度 毫米/年NS和速度 毫米/年电子战对当地PRVI19参考系,分别。一般来说,大多数工程师监控应用程序只关注当地目标变形位移和不考虑运动对全球参考系。BYSP GNSS IGS14内时间序列的比较表明,背景和PRVI19参考帧全球或地区地壳运动可以偏见或掩盖了当地地面变形当使用一个全球或地区性的参考系。

3.2。每日气候影响因素

气候变化被认为是一个重要的外部影响因素影响GNSS数据精度。然而,它是一个挑战澄清每日气候变化之间的关系和日常GNSS记录。气候变化影响的主要原因是,因为每天可以部分被24小时GNSS处理方法。因此,我们选择连续操作GNSS站BYSP附近安装一个实时气候监测设备。5年连续的气候数据在模型中使用,这是收集的气象站(TJSJ)附近BYSP (NOAA国家气象局)。在这里,我们建立了两个模型之间唯一的区别在于,一个认为每日气候特点和另一个不是。我们使用模型来评估气候变化是否会影响精度的24小时GNSS时间序列,已转化为使用扩展的Helmert PRVI19参考系变换方法。无因次指数显示,模型没有考虑每日气候变化是0.32,另一个考虑到日常气候变化是0.25。较低的无量纲指标意味着模型具有更好的性能。结果证明日常气候变化是影响因素之一GNSS时间序列。

此外,我们确定了量化权重的影响从不同的日常气候因素对GNSS时间序列。图6显示20的重要性选择气候因素对GNSS使用XGBoost时间序列模型。XGBoost参数用来评估位移如表所示3。每一行显示的影响特性,重量显示在的贡献 - - - - - -轴。在这里,我们使用两个互补的特性,南北(NS)特性和东西(EW)功能,这是物理运动由于垂直位移。从理论上讲,NS和电子战观察应该改变当GNSS站垂直运动。出于这个原因,我们涉及到两个特性来帮助混合模型精确地评估不同的气候特征和相应的影响权重。这两个物理特征之间的关系是在良好的协议与结果报道在李et al。(44),这表明,NS运动的关键特性的差异沉降或隆起区。基于监控气候记录的五年,我们分析不同的气候影响因素的权重GNSS位移。我们发现风速(平均)和温度(最小)是最大的两个气候因素影响日常GNSS时间序列。有趣的是,湿度,温度(平均),露在模型中是不敏感的。在日常GNSS后处理记录,除了大型天气状况,很难确定这些特性之间的关系可以影响垂直位移。

3.3。GNSS时间序列预测

混合模型预测GNSS监测位移通过学习之前的数据,并将探索各种监控应用程序的潜在的变形问题。预测GNSS观察来源于先前的位移,被称为稳定当地PRVI19参考系。在这里,我们使用了BYSP GNSS后处理记录称为PRVI19训练模型。混合模型训练的1823天的GNSS位移。同时,我们使用了均方根误差(RMSE)作为评价指标的预测精度45,46]: 在哪里预测价值,是测量值,测试数据集的样本大小。在实验中,我们需要使用预测结果与实际监测的变形结果GNSS站。然而,GNSS时间序列仍然不可避免地包括非线性变化,如噪音,这是复杂的,很难消除。Gazeaux et al。47)测试不同的模型和方法来减少白噪声和有色噪声等一阶高斯马尔可夫模型和自回归移动平均模型。然而,最好的是位置相关的噪声模型,由GNSS的位置影响网站,GNSS原始数据处理方法,和纪念碑的设计(48]。因此,在比较中,我们使用三次样条函数插值以适应GNSS测量解决方案,已转化为PRVI19 [49]。图7显示了预测模型结果与postfitted GNSS位移使用三次样条函数的实验。我们使用优化参数三次样条方法,发现预测值表现良好。这表明的RMSE预测方法为0.22,略低于0.31的使用三次样条函数拟合的结果。此外,我们测试了所有参数参加三次样条方法。它还表明,预测结果的精度满足与样条拟合的结果,这是使用真正的原始GNSS记录处理。

4所示。结论

准确地分析各种日常气候因素的影响GNSS时间序列,我们提出了一个混合方法和应用PRVI区域。我们使用了扩展Helmert转换方法建立PRVI19局部参照系,这可能有助于避免背景全球或地区地壳运动的偏见在GNSS时间序列研究当地地面变形。PRVI19参考系的稳定大约是0.4毫米/年和0.5毫米/年的水平和垂直方向,分别。同时,我们采用了XGBoost算法和高度稳定PRVI19当地参考系定量评估的影响日常气候因素对GNSS每日(24小时)的观察。基于GNSS记录的13年称为PRVI19和气候附近的气候监测设备,记录的数据我们发现风GNSS时间序列有最大的影响。结果表明,平均、最低和最高风速是第一,第二和第四大重量在所有气候因素。此外,结果还表明,最低温度也大大影响了GNSS位移,这是第三大重量在所有气候因素。本文介绍了一种新方法,可以定量地确定不同气候因素的影响权重GNSS时间序列。此外,我们使用模型来预测GNSS记录和显示用户探索潜在变形的风险。希望本研究可以促进应用程序的GNSS技术和改进的理解不同气候的影响因素对GNSS监测时间序列。

数据可用性

数据在一个公开访问存储库。数据可以通过http://geodesy.unr.edu/并赞赏从NOAA国家气象局气候数据https://www.weather.gov/。

的利益冲突

作者宣称,他们没有利益冲突。我们声明,我们没有任何商业或关联利益代表的利益冲突与提交的工作。

作者的贡献

Linchao李和翰林刘促成了概念化,方法,数据管理和原创作品草稿准备。翰林刘的可视化和调查。李Linchao导致监督。Linchao李、杨Linqiang促成了writing-reviewing和编辑。

确认

作者承认划圈王(休斯顿大学)提供购买力平价数据质量检查这项研究的解决方案。第一作者也赞赏UNAVCO和内华达大学大地实验室(天然气凝析液)内华达与公众分享他们的GPS产品。数据可以通过http://geodesy.unr.edu/并赞赏从NOAA国家气象局气候数据https://www.weather.gov/。这项研究是由中国国家重点研发项目(批准号2019 yfb2102700)。本研究支持的研究资金来自中国博士后科学基金资助项目(批准号2020 m682883),深圳市科技计划(批准号KQTD20180412181337494),和杰出的青年才俊的基础在广东高等教育,中国(批准号2019 kqncx126)。