CN104392414A - 一种区域cors坐标时间序列噪声模型的建立方法 - Google Patents

Abstract

本发明涉及一种区域CORS坐标时间序列噪声模型的建立方法，其特征在于包括步骤1，获取区域CORS站的观测数据；步骤2，采用GNSS数据预处理软件TEQC；步骤3，采用GAMIT/GLOBK基线解算平差；步骤4，建立高精度坐标时间序列；步骤5，基于奇异谱分析的空间滤波；步骤6，基于MLE估计的噪声模型选择；步骤7：顾及有色噪声模型区域CORS速度场估计。本发明通过采用时域性的频域特征分析，对区域CORS时间序列进行空间滤波，为区域CORS时间序列不同噪声模型选择最大似然值进行判断，从而确定N（北）、E（东）、U（高程）方向最优噪声模型，并顾及最优噪声模型估计出区域CORS站速度场。

Description

一种区域CORS坐标时间序列噪声模型的建立方法

技术领域

本发明属于连续运行卫星定位服务系统技术领域，特别是涉及一种区域CORS坐标时间序列噪声模型的建立方法。

背景技术

研究和分析连续运行卫星定位服务的区域连续运行参考站系统CORS(Continuously Operating Reference Stations)坐标时间序列的特征，可以了解GNSS(Global Navigation Satellite System)基准站点的稳定性以及基准站位置的变化规律，对于GNSS观测数据的应用、区域地表形变监测和连续观测网络的合理利用具有重要意义。GNSS坐标时间序列特征具有以下三点：趋势特征、周期特征、噪声特征。GNSS坐标时间序列不止包含白噪声，还包含时空关联的有色噪声，但对于不同的基准站坐标时间序列所含有的有色噪声模型有不同结论。

对区域CORS坐标时间序列分析发现，基准站原始坐标时间序列存在明显的空间相关性，这种区域公共误差(Common Mode Errors，CME)可能会掩盖相对较小的网内形变特征，同时也会影响基准站速度及精度的计算。对于CORS网坐标时间序列空间滤波，目前通用方法有区域堆栈滤波法、主成分分析滤波法来提高坐标序列信噪比

传统的空间滤波方法只对CORS坐标时间序列进行时域上分析，缺少频域上的估计分析；对滤波后序列谱估计选择可变白噪声(VW)还是纯白噪声(WH)模型缺少判断，并且对最优噪声模型的建立没有确定的方法。因此，CORS坐标时间序列传统噪声模型的建立具有局限性。

发明内容

本发明的目的是为克服现有技术存在的不足而提供一种区域CORS坐标时间序列噪声模型的建立方法，本发明通过采用时域性的频域特征分析，对区域CORS时间序列进行空间滤波，为区域CORS时间序列不同噪声模型选择最大似然值进行判断，从而确定N(北)、E(东)、U(高程)方向最优噪声模型，并顾及最优噪声模型估计出区域CORS站速度场。

根据本发明提出的一种区域CORS坐标时间序列噪声模型的建立方法，其特征在于包括如下基本步骤：

步骤1，获取区域CORS站的观测数据：包括观测单天数据O文件并将其转为RINEX格式、导航N文件以及从IGS网站下载对应于观测时段的SP3精密星历文件；

步骤2，采用GNSS数据预处理软件TEQC：包括由GNSS数据预处理软件TEQC对CORS站观测数据进行数据编辑和质量检核，删减不合格测段；

步骤3，采用GAMIT/GLOBK基线解算平差：包括制定合理的基线解算策略，引入区域CORS网周边IGS站点的同步观测数据，用GAMIT软件解算基线；将GAMIT基线解算的松弛解h文件用GLOBK进行平差，调用globk、glorg模块解算，从org约束平差文件中获取区域CORS各站坐标时间序列；

步骤4，建立高精度坐标时间序列：包括利用三个坐标值之差通过“拉宜达法则”来剔除序列中野值，采用“最邻近准则”算法进行插值；

步骤5，基于奇异谱分析的空间滤波：包括采用奇异谱分析来对区域CORS坐标时间序列进行空间滤波，对区域CORS站坐标时间序列的趋势项进行提取，同时对具有周期变化特点的面积较小的区域CORS网，保留其周期项进项噪声分析建模，得到剔除共性误差后的区域CORS站坐标时间序列误差棒；

步骤6，基于MLE估计的噪声模型选择：包括基于MLE最大似然估计对空间滤波后的区域CORS坐标时间序列进行噪声分析；利用极大似然估计准则定量测试噪声组合模型；依据极大似然估计函数的拟合自由度给出蒙提卡罗准则下的选择标准：当两种模型的拟合自由度相同时，MLE差值>0的噪声模型更优；当两种模型的拟合自由度相差1时，MLE差值>2.9作为模型显著区分的阈值；当两种模型的拟合自由度相差2时，MLE差值>4.7作为模型显著区分的阈值；

步骤7，顾及有色噪声模型区域CORS速度场估计：包括建立区域CORS速度场估计的基于N、U、E三分量的最优噪声模型的方法。

本发明与现有技术相比其显著优点在于：

一是本发明采用奇异谱分析(SSA)的空间滤波方法，可以从包含噪声的数据序列中尽可能多地提取可靠信息，把最可预报的分量聚集到若干个时间序列中，并提取具有显著振荡行为的信号分量，以此选择若干个有意义的分量进行序列重建，降低噪声影响。

二是本发明对CORS时间序列进行空间滤波采用时域性的频域特征分析，为区域CORS坐标时间序列不同噪声模型选择根据最大似然值进行判断，确定N、E、U方向最优噪声模型，并顾及最优噪声模型估计出区域CORS站速度场。

三是本发明噪声模型方法可同时估计噪声类型、周期性振幅、测站速度及不确定度，可避开频谱分析的局限性。

四是本发明很好地克服了传统空间滤波方法只考虑时域、噪声模型建立单一和缺少判断分析的不足；本发明既适用于长年连续观测的城市CORS站、全球IGS站坐标时间序列空间滤波与噪声建模，也适用于对长时间的桥梁、地铁、大型建筑物连续监测的时间序列。

附图说明

图1是本发明的区域CORS坐标时间序列噪声模型建立方法的流程方框示意图。

图2包括图2a、图2b和图2c，是本发明试验于某城市CORS站剔除共性误差后坐标时间序列误差棒的示意图；其中：图2a是N方向坐标时间序列空间滤波后误差棒；图2b是E方向坐标时间序列空间滤波后误差棒；图2c是U方向坐标时间序列空间滤波后误差棒。

图3是噪声随机模型分类示意图。

图4包括图4a、图4b和图4c，是本发明试验于某城市CORS站的组合噪声模型中N、E、U方向最大似然估计值差值直方示意图；其中：图4a是CORS站N方向组合噪声模型MLE差值；图4b是CORS站E方向组合噪声模型MLE差值；图4c是CORS站U方向组合噪声模型MLE差值。

具体实施方式

下面结合附图和实施例对本发明的具体实施方式作进一步的详细说明。

结合图1，本发明提出的一种区域CORS坐标时间序列噪声模型的建立方法，包括如下具体步骤：

步骤1，获取区域CORS站的观测数据：包括观测单天数据O文件并将其转为RINEX格式、导航N文件以及从IGS网站下载对应于观测时段的SP3精密星历文件。

步骤2，采用GNSS数据预处理软件TEQC：包括由GNSS数据预处理软件TEQC对CORS站观测数据进行数据编辑(包括采样间隔、天线类型、测站点)和质量检核(包括电离层延迟、多路径效应、接收机周跳、信噪比)，删减不合格测段。

步骤3，采用GAMIT/GLOBK基线解算平差：包括制定合理的基线解算策略，引入区域CORS网周边IGS站点的同步观测数据，用GAMIT软件解算基线；将GAMIT基线解算的松弛解h文件用GLOBK进行平差，调用globk、glorg模块解算，从org约束平差文件中获取区域CORS各站坐标时间序列；其中：所述采用GAMIT解算基线，是指其结果相对精度达到10^-9，对步骤1所述单天数据O文件提取的Postfit nrms均小于0.25；检验GLOBK平差得到平均NRMS小于3.0的N、E、U各站坐标时间序列和坐标重复性WRMS；

采用IGS提供时候精密星历，采用松弛解(RELAX.)模式，采用LC_HELP观测量类型，截止高度角为15°、采样率为30s、处理的历元数为2880，采用LC观测值组合来消除电离层折射影响，利用广播星历中的钟差参数对卫星钟差进行模型改正，考虑测站位置的海潮、极潮、固体潮等潮汐模型改正，使用的干、湿延迟模型都是Saastamoinen模型；

联测的IGS站近似坐标、瞬时历元坐标，并设置各IGS站东西向、南北向及径向的先验坐标约束为0.005m、0.005m和0.010m；

若通过检验，表明基准站坐标精度较高，坐标重复性较好，基准站稳定性高，此时可认为获取了高精度区域CORS坐标时间序列。

步骤4，建立高精度坐标时间序列：GLOBK平差后得到的高精度区域CORS坐标时间序列存在野值，需要利用三个坐标值之差的“拉宜达法则”来剔除，采用“最邻近准则”算法进行插值。

步骤5，基于奇异谱分析的空间滤波：包括采用奇异谱分析来对步骤4得到的区域CORS高精度坐标时间序列进行空间滤波，对区域CORS站坐标时间序列的趋势项进行提取，同时对具有周期变化特点的面积较小的区域CORS网，保留其周期项进项噪声分析建模，得到剔除共性误差后的区域CORS站坐标时间序列误差棒；其中：所述区域CORS站各坐标时间序列，是指其各基准站水平误差区间为[-15，15]mm，高度坐标分量误差区间为[-30，30]mm，高程坐标分量误差约为水平坐标分量误差的两倍；

CORS坐标时间序列对区域CORS坐标时间序列分析发现，基准站原始坐标时间序列存在明显的空间相关性，这种区域公共误差(Common Mode Errors，CME)可能会掩盖相对较小的网内形变特征，同时也会影响基准站速度及精度的计算；奇异谱分析将一个样本量为N的中心化CORS站时间序列按给定嵌套空间维数构造时间序列资料的时滞矩阵；对该时滞矩阵进行主成分分析，得到特征值和特征向量；对给定的时间序列x₁,x₂,…,x_N，给窗口长度L，L<N/2，建立时滞排列矩阵：

$X=\left[\begin{array}{cccc}{x}_1& x_2& \&CenterDot;\&CenterDot;\&CenterDot;& x_{N-L+1}\\ x_2& x_3& \&CenterDot;\&CenterDot;\&CenterDot;& x_{N-L+2}\\ \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;\\ x_L& x_{L+1}& \&CenterDot;\&CenterDot;\&CenterDot;& x_N\end{array}\right]---\left(1\right),$

该时滞矩阵进行时间经验正交函数展开(TEOFs)，得到的滞后协方差是一个L×L矩阵：

$S=\left[\begin{array}{cccc}{s}_{\left(0\right)}& s_{\left(1\right)}& \&CenterDot;\&CenterDot;\&CenterDot;& s_{(L-1)}\\ s_{\left(1\right)}& s_{\left(0\right)}& \&CenterDot;\&CenterDot;\&CenterDot;& s_{(L-2)}\\ \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;\\ s_{(L-1)}& s_{(L-2)}& \&CenterDot;\&CenterDot;\&CenterDot;& s_{\left(0\right)}\end{array}\right]---\left(2\right),$

式中S是对称矩阵且主对角线为同一常数(Toeplitz矩阵)，求解S特征值和特征向量等价于对X矩阵作TEOFs，其全体特征值：

λ₁≥λ₂≥…≥λ_k≥0    (3)，

即为序列{x_i}的奇异谱，对其奇异值进行运算称为奇异谱分析；λ_k对应的特征向量为第k阶模式，各阶模式代表了信号的不同变化趋势，因此通过奇异谱分析可探究原始信号的不同变化行为，从而对信号进行分析；λ_k对应特征向量E_k称为时间经验正交函数(TEOF)，第k个时间主分量(TPC)定义为原序列{x_i}在E_k上正交投影系数：

$a_{\mathrm{ik}}=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{x}_{i+j}{E}_{\mathrm{kj}},0\&le;i\&le;N-M,1\&le;j\&le;M---\left(4\right),$

任意TEOF的M个分量构成一个时间序列，反映序列{x_i}的时间演变型，a_ik是E_kj表示的时间型在原序列x_i+1,x_i+2,…,x_i+m时段的权重；

SSA的重要功能由重建成分RC(Reconstruction component)实现；RC用于分析和预报感兴趣的信息，过滤掉噪声；由TEOF和TPC重建一个长度为N的序列，第k个重建x_i的成分记x_ki，公式为：

$x_{\mathrm{ki}}=\left\{\begin{array}{cc}\frac{1}{i}\underset{j}{\overset{i}{\mathrm{\&Sigma;}}}{a}_{i-j,k}{E}_{k,j}& 1\&le;i\&le;M-1\\ \frac{1}{M}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{a}_{i-j,k}{E}_{k,j}& M\&le;i\&le;M+1\\ \frac{1}{N-i+1}\underset{j=i-N+L}{\overset{i}{\mathrm{\&Sigma;}}}{a}_{i-j,k}{E}_{k,j}& N-M+2\&le;i\&le;N\end{array}\right.---\left(5\right),$

RC具有叠加性质，对所有RC求和得到原来的序列：

$x_i=\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{x}_{\mathrm{ik}}---\left(6\right),$

如图2所示，包括图2a、图2b和图2c，是本发明试验于某城市CORS站，分别为剔除共性误差后的CORS站N、E、U坐标时间序列误差棒，其中：图2a是N方向坐标时间序列空间滤波后误差棒；图2b是E方向坐标时间序列空间滤波后误差棒；图2c是U方向坐标时间序列空间滤波后误差棒。

步骤6，基于MLE估计的噪声模型选择：包括基于MLE最大似然估计对步骤5得到的空间滤波后的区域CORS坐标时间序列进行噪声分析；利用极大似然估计准则定量测试噪声组合模型；依据极大似然估计函数的拟合自由度给出蒙提卡罗准则下的选择标准：当两种模型的拟合自由度相同时，MLE差值>0的噪声模型更优；当两种模型的拟合自由度相差1时，MLE差值>2.9作为模型显著区分的阈值；当两种模型的拟合自由度相差2时，MLE差值>4.7作为模型显著区分的阈值；其中：所述对空间滤波后的区域CORS坐标时间序列进行噪声分析，是指滤波后的区域CORS坐标时间序列选择可变白噪声(VW)或者纯白噪声(WH)模型，根据蒙提卡罗准则来判断由MLE估计算出其最大似然估值差值，对N、E、U三分量坐标时间序列谱指数与FN、RWN、WH参数估值得到最优有色噪声模型。

基于MLE最大似然估计对区域CORS坐标时间序列进行噪声分析，拟合滤波后的坐标序列，建立区域CORS站坐标时间序列拟合函数模型：

$\begin{array}{c}y\left(t_i\right)=a+b{t}_i+c\sin \left(2\mathrm{\&pi;}{t}_i\right)+d\cos \left(2\mathrm{\&pi;}{t}_i\right)+e\sin \left(4\mathrm{\&pi;}{t}_i\right)+f\cos \left(4\mathrm{\&pi;}{t}_i\right)+\\ \underset{j=1}{\overset{j_0}{\mathrm{\&Sigma;}}}{O}_{j}H(t_i-T_j)+v_i\end{array}---\left(7\right),$

式中t_i是以年为单位的时间序列中解算历元；a为序列平均值；b为线性速率；c和d组合表示全年性周期运动；e和f组合表示半年性周期运动；O_j为在T_j时刻CORS站的位置突变，H(t_i-T_j)表示阶梯函数，ΣO_jH(t_i-T_j)表示发生在历元T_j处大小为O_j的j₀个偏移常量；v_i代表残差噪声序列，可表示成不同的噪声模型的组合；

若C表示观测值的协方差阵，按照最大似然估计准则可同时确定a、b、c、d、e、f、O_j和噪声分量的振幅；选择不同的噪声模型，确定各噪声分量的大小，使坐标序列残差与协方差C的联合概率密度达到最大；

C＝m²I+n²J    (8)，

$\ln \left[\mathrm{lik}(\hat{v},C)\right]=-0.5\left[\ln \right|C\left|\right]+{\hat{v}}^T{C}^{-1}\hat{v}+N\ln \left(2\mathrm{\&pi;}\right)]---\left(9\right),$

式中N表示时间序列的长度；C表示噪声组合组成的协方差阵；I、J分别为白噪声、有色噪声组成的协方差阵；m、n表示白噪声、有色噪声权系数；白噪声模型包括简单白噪声模型(White noise，WH)与可变白噪声模型(Variablewhite noise，VW)；有色噪声模型包括闪烁噪声模型(Fl icker noise，FN)、随机漫步噪声模型(Random walk noise，RWN)、闪烁噪声与随机漫步噪声组合模型(Fl icker noise+Random walk noise，FN+RWN)、幂律噪声模型(Power lawnoise，PL)、一阶高斯马尔科夫噪声模型(First order Gauss-Markov noise，FOGM)、一般高斯马尔科夫噪声模型(General ized Gauss-Markov noise，GG)。如图3所示，为噪声随机模型分类示意图，利用极大似然估计准则分别估计出各种噪声随机模型MLE估值。

实施例1：以试验某城市CORS网坐标时间序列所进行的纯白噪声“WH”和可变白噪声“VW”模型分析，对网中六个站的N、E、U分量最大似然估计值进行计算，表1为某城市CORS站N、E、U分量“WH”模型与“VW”模型最大似然估值对比结果。

表1:某城市CORS站N、E、U分量“WH”模型与“VW”模型最大似然估值对比结果表

根据蒙提卡罗准则判断，就白噪声模型而言，“WH”较“VW”模型更适合于该城市CORS站坐标时间序列。

如图4所示，包括图4a、图4b和图4c，是本发明试验于某城市CORS站的组合噪声模型，即N、E、U方向坐标时间序列组合噪声模型与“WH”模型最大似然估计值差值的直方示意图；其中：图4a是CORS站N方向组合噪声模型MLE差值；图4b是CORS站E方向组合噪声模型MLE差值；图4c是CORS站U方向组合噪声模型MLE差值。图4中N、E、U方向坐标时间序列各种噪声模型与“WH”噪声模型最大似然估值的差值都大于零，表明CORS网各基准站坐标时间序列噪声中不仅仅只含纯白噪声，还包括有色噪声；“WH+FN+RWN”、“WH+PL”、“WH+GG”三种模型与“WH”模型差值明显大于其他的模型，说明这三种模型较于其他模型优越，且这三种模型彼此间差距不大。

实施例2：选定“WH+FN+RWN”作为试验某城市CORS基准站的最佳噪声估计模型，对某城市CORS基准站北、东、高程方向坐标分量时间序列为例进行分析，得到3种不同噪声的估值如表2所示：

表2：基于WH+FN+RWN模型的CORS站坐标时间序列谱指数和噪声分量参数估值(单位：mm)

表2中列出了CORS基准站坐标时间序列N、E、U三个分量上功率谱指数估值和噪声分量参数估值，CORS基准站N、E、U方向坐标时间序列噪声分量介于(-1，0)之间，表明CORS基准站噪声不满足纯白噪声性质，是包含白噪声与有色噪声的多种噪声组合。

某城市CORS的6个基准站(SHAO为IGS站)N方向只包含白噪声和闪烁噪声，E方向6个站中5个含有白噪声、闪烁噪声与随机漫步噪声，U方向6个站中有2个含有白噪声、闪烁噪声与随机漫步噪声；所以采用“WH+FN+RWN”作为基准站N、E、U方向最佳噪声模型不是很合适，其最佳模型为：N、U方向采用“WH+FN”模型，E方向采用“WH+FN+RWN”模型。

N方向白噪声分量平均为1.2406mm，闪烁噪声分量为6.0890mm；E方向白噪声分量平均为1.6779mm，闪烁噪声分量为3.4944mm，随机漫步噪声分量为4.4749mm；U方向白噪声分量平均为4.6884mm，闪烁噪声分量为14.2191mm，随机漫步噪声分量为2.1187mm；U方向噪声分量最大，这与U方向坐标精度比平面精度要低的结论一致；N方向的闪烁噪声分量相对于E方向的要高，主要原因可能是GLOBK平差处理时南北方向的IGS站相对于东西方向的少，南北向约束相对较弱。

步骤7，顾及有色噪声模型区域CORS速度场估计：包括建立区域CORS速度场估计的基于N、U、E三分量的最优噪声模型的方法；分别对步骤6中区域CORS站N、E、U方向确定的最优有色噪声模型与白噪声模型进行速度估计；其中：所述建立区域CORS速度场估计的基于N、U、E三分量的最优噪声模型的方法，是指在ITRF框架下，对区域CORS各基准站点N、U方向坐标时间序列采用“WH+FN”模型估计速度与精度，E方向坐标时间序列采用“WH+FN+RWN”模型估计速度与精度；与之对比的是对N、U、E方向坐标时间序列采用“WH”模型进行速度精度估计。

表3：基于有色噪声模型和白噪声模型估计的CORS站速度估值及其精度(mm/a)

由表3可得出以下结论：

假定噪声模型是纯白噪声模型的N、E、U方向的速度估值中误差明显小于顾及有色噪声的速度估计量的中误差，顾及有色噪声的区域速度场中误差估值是仅考虑纯白噪声的6～13倍，说明仅考虑纯白噪声所获取的速度估值中误差不能反映实际的CORS区域速度场精度；

顾及有色噪声得到的速度估值与仅考虑纯白噪声获取的速度估值也存在偏差，并且U方向偏差比N、E方向大，故通过GNSS坐标时间序列拟合基准站速度估值时，应顾及有色噪声的影响。

本发明的具体实施方式包括实施例，进一步表明了本发明不同于现有技术的显著优点：

一是采用奇异谱分析方法对GAMIT/GLOBK软件处理得到的高精度CORS坐标时间序列进行空间滤波，绘制N、E、U分量剔除共性误差的误差棒图，其水平分量是高程分量精度2～3倍；

二是用谱指数和最大似然估计对某城市CORS坐标时间序列噪声分析，得到不同噪声模型的MLE差值，根据蒙提卡罗准则判断白噪声模型“WH”较于“VW”更适合，且N、U分量最佳有色噪声模型为“WH+FN”，E分量最佳有色噪声模型为“WH+FN+RWN”；

三是顾及有色噪声模型的区域速度精度估值是仅考虑纯白噪声的6～13倍，表明仅考虑纯白噪声所获取的速度估值精度不能反映实际的CORS区域速度场精度，且两种模型求取的速度估值也有偏差，高程方向偏差比水平方向大。

本发明的具体实施方式中未涉及的说明属于本领域公知的技术，可参考公知技术加以实施。

Claims (5)

1.一种区域CORS坐标时间序列噪声模型的建立方法，其特征在于包括如下具体步骤：

步骤1，获取区域CORS站的观测数据：包括观测单天数据O文件并将其转为RINEX格式、导航N文件以及从IGS网站下载对应于观测时段的SP3精密星历文件；

步骤2，采用GNSS数据预处理软件TEQC：包括由GNSS数据预处理软件TEQC对CORS站观测数据进行数据编辑和质量检核，删减不合格测段；

步骤3，采用GAMIT/GLOBK基线解算平差：包括制定合理的基线解算策略，引入区域CORS网周边IGS站点的同步观测数据，用GAMIT软件解算基线；将GAMIT基线解算的松弛解h文件用GLOBK进行平差，调用globk、glorg模块解算，从org约束平差文件中获取区域CORS各站坐标时间序列；

步骤4，建立高精度坐标时间序列：包括利用三个坐标值之差通过“拉宜达法则”来剔除序列中野值，采用“最邻近准则”算法进行插值；

步骤5，基于奇异谱分析的空间滤波：包括采用奇异谱分析来对区域CORS坐标时间序列进行空间滤波，对区域CORS网坐标时间序列的趋势项进行提取，同时对具有周期变化特点的面积较小的区域CORS网，保留其周期项进项噪声分析建模，得到剔除共性误差后的区域CORS站坐标时间序列误差棒；

步骤6，基于MLE估计的噪声模型选择：包括基于MLE最大似然估计对空间滤波后的区域CORS坐标时间序列进行噪声分析；利用极大似然估计准则定量测试噪声组合模型；依据极大似然估计函数的拟合自由度给出蒙提卡罗准则下的选择标准：当两种模型的拟合自由度相同时，MLE差值>0的噪声模型更优；当两种模型的拟合自由度相差1时，MLE差值>2.9作为模型显著区分的阈值；当两种模型的拟合自由度相差2时，MLE差值>4.7作为模型显著区分的阈值；

步骤7，顾及有色噪声模型区域CORS速度场估计：包括建立区域CORS速度场估计的基于N、U 、E三分量的最优噪声模型的方法。

2. 根据权利要求1所述的一种区域CORS坐标时间序列噪声模型的建立方法，其特征在于步骤3所述用GAMIT解算基线，是指其结果相对精度达到10^-9，对步骤1所述单天数据O文件提取的Postfit nrms均小于0.25；检验GLOBK平差得到平均NRMS小于3.0的N、E、U各站坐标时间序列和坐标重复性WRMS。

3.根据权利要求1所述的一种区域CORS坐标时间序列噪声模型的建立方法，其特征在于步骤5所述区域CORS网各坐标时间序列，是指其各基准站水平误差区间为[-15，15]mm，高度坐标分量误差区间为[-30，30]mm，高程坐标分量误差为水平坐标分量误差的两倍。

4.根据权利要求1所述的一种区域CORS坐标时间序列噪声模型的建立方法，其特征在于步骤6所述对空间滤波后的区域CORS坐标时间序列进行噪声分析，是指滤波后的区域CORS坐标时间序列选择可变白噪声或者纯白噪声模型，根据蒙提卡罗准则来判断由MLE估计算出其最大似然估值差值，对N、E、U三分量坐标时间序列谱指数与FN、RWN、WH参数估值得到最优有色噪声模型。

5.根据权利要求1所述的一种区域CORS坐标时间序列噪声模型的建立方法，其特征在于步骤7所述建立区域CORS速度场估计的基于N、U、 E三分量的最优噪声模型的方法，是指在ITRF框架下，对区域CORS网各基准站点N、U方向坐标时间序列采用“WH+FN”模型估计速度与精度，E方向坐标时间序列采用“WH+FN+RWN”模型估计速度与精度；与之对比的是对N、U、E方向坐标时间序列采用“WH”模型进行速度精度估计。