CN114925327A - 一种超短期地球自转参数预报方法 - Google Patents
一种超短期地球自转参数预报方法 Download PDFInfo
- Publication number
- CN114925327A CN114925327A CN202210350876.3A CN202210350876A CN114925327A CN 114925327 A CN114925327 A CN 114925327A CN 202210350876 A CN202210350876 A CN 202210350876A CN 114925327 A CN114925327 A CN 114925327A
- Authority
- CN
- China
- Prior art keywords
- basic data
- lod
- term
- gnss
- ut1r
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
一种超短期地球自转参数预报方法,包括以下步骤:S1、获取UT1‑UTC和LOD的基础数据,同时获取GNSS技术快速低延迟观测导出的最新的LOD基础数据;S2、移除UT1‑UTC的跳秒和潮汐,获得UT1R‑TAI基础数据,并移除LOD的潮汐,获得LODR基础数据;S3、先计算UT1R‑TAI的一阶差分序列再利用最小二乘模型拟合并预报LODR的周期项和线性项,同时,计算的残差项和LODR的残差项,然后利用多元自回归模型拟合和LODR的残差项,再计算的预报值然后利用差分恢复算子计算UT1R‑TAI的预报值S4、增加的跳秒和潮汐,获取UT1‑UTC的预报值。本设计能显著改善UT1‑UTC超短期预报的精度。
Description
技术领域
本发明涉及大地测量与卫星导航技术领域,尤其涉及一种超短期地球自转参数预报方法,主要适用于改善UT1-UTC超短期预报的精度。
背景技术
地球自转参数(ERP),例如UT1-UTC,对于天体和地球参考系统之间的转换是必要的。然而,全球导航卫星系统(GNSS)技术无法观测到UT1-UTC,这是实时估计过程中最难确定的。为了获得观测到的UT1-UTC,其他空间大地测量技术(例如甚长基线干涉测量(VLBI))的数据处理的复杂性和耗时总是会导致时间延迟。因此,GNSS卫星的实时轨道确定完全取决于预测的UT1-UTC。在近实时和实时高精度GNSS应用中,UT1-UTC超短期预测(1~10天)直接影响和限制了GNSS卫星快速和超快速定轨的性能。例如,IGS(国际GNSS服务)和iGMAS(国际GNSS监测和评估系统)分析中心通常使用每周更新的国际地球自转和参考系统服务(IERS)Bulletin-A(例如UT1-UTC)生成GNSS卫星的快速和超快速轨道。由于UT1-UTC预测的准确度远低于观测部分的准确度,因此UT1-UTC的预测方法值得改进,以用于与参考系相关的实时应用,例如GNSS卫星定轨。
如何提高UT1-UTC超短期预测的精度,一直是大地测量与卫星导航领域关心和研究热点。目前,在UT1-UTC超短期预测的方法中,LOD和UT1-UTC之间的相关信息尚未得到充分挖掘和利用,也没有充分利用GNSS技术可以快速低延迟导出LOD参数的特点,使得UT1-UTC的超短期预报精度较低。
发明内容
本发明的目的是克服现有技术中存在的预报精度低的缺陷与问题,提供一种预报精度高的超短期地球自转参数预报方法。
为实现以上目的,本发明的技术解决方案是:一种超短期地球自转参数预报方法,该方法包括以下步骤:
S1、通过文件或者网络获取IERS提供的UT1-UTC基础数据和LOD基础数据,同时获取GNSS技术快速低延迟观测导出的最新的LOD基础数据;
S2、移除UT1-UTC基础数据的跳秒和潮汐,获得UT1R-TAI基础数据,并移除LOD基础数据的潮汐,获得LODR基础数据,UT1R-TAI基础数据和LODR基础数据的时间序列均分为周期项、线性项和残差项;
S31、计算UT1R-TAI基础数据的一阶差分序列:
S32、利用最小二乘模型拟合并预报Δft ut1的周期项和线性项、LODR的周期项和线性项,同时,计算Δft ut1的残差项dΔft ut1和LODR的残差项dLODRt;
S33、利用多元自回归模型拟合Δft ut1的残差项dΔft ut1和LODR的残差项dLODRt,并预报Δft ut1的残差项;
步骤S1中,最新的LOD基础数据通过以下方法获取:下载延迟3~9小时的国际GNSS服务的LOD基础数据或者下载延迟3~9小时的国内iGMAS的LOD基础数据或者利用GNSS技术解算导出的最新超快速产品的LOD基础数据。
步骤S1中,最新的LOD基础数据根据GNSS原始观测数据进行超快速LOD参数解算获取:
a、实时获取GNSS卫星最新的24小时观测值文件、导航文件、先验的地球自转参数文件和GNSS地球自转参数精密确定的通用配置文件;
b、根据GNSS观测数据建立GNSS观测方程:
GNSS观测方程线性化为:
式中,LOD0为先验LOD参数,θ为格林泥治真恒星时,γ≈1.0027379093,t为观测时刻的儒略日,t0为所选参考时刻的儒略日;
c、线性化后的GNSS观测方程,根据最小二乘法解算先验LOD参数LOD0的改正数,最终获取GNSS技术导出的最新的快速低延迟的LOD基础数据。
步骤S2中,当预报时长大于2天时,采用最新的LOD基础数据。
与现有技术相比,本发明的有益效果为:
本发明一种超短期地球自转参数预报方法中,充分挖掘和利用LOD和UT1-UTC之间的相关信息,并充分利用GNSS技术可以快速低延迟导出LOD参数的特点,从而显著提高了UT1-UTC超短期预报的精度。因此,本发明提高了UT1-UTC超短期预报的精度。
附图说明
图1是本发明一种超短期地球自转参数预报方法的流程图。
图2是采用LS/WLS+MAR传统方法和LS/WLS+AR传统方法预报超短期地球自转参数的流程图。
图3是本发明的实施例中统计的相关系数。
图4是传统方法统计的相关系数。
图5是本发明与传统方法的预报误差结果示意图。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
参见图1,一种超短期地球自转参数预报方法,该方法包括以下步骤:
S1、通过文件或者网络获取IERS提供的UT1-UTC基础数据和LOD基础数据,同时获取GNSS技术快速低延迟观测导出的最新的LOD基础数据;
S2、移除UT1-UTC基础数据的跳秒和潮汐,获得UT1R-TAI基础数据,并移除LOD基础数据的潮汐,获得LODR基础数据,UT1R-TAI基础数据和LODR基础数据的时间序列均分为周期项、线性项和残差项;
S31、计算UT1R-TAI基础数据的一阶差分序列:
S32、利用最小二乘模型拟合并预报Δft ut1的周期项和线性项、LODR的周期项和线性项,同时,计算Δft ut1的残差项dΔft ut1和LODR的残差项dLODRt;
S33、利用多元自回归模型拟合Δft ut1的残差项dΔft ut1和LODR的残差项dLODRt,并预报Δft ut1的残差项;
步骤S1中,最新的LOD基础数据通过以下方法获取:下载延迟3~9小时的国际GNSS服务的LOD基础数据或者下载延迟3~9小时的国内iGMAS的LOD基础数据或者利用GNSS技术解算导出的最新超快速产品的LOD基础数据。
步骤S1中,最新的LOD基础数据根据GNSS原始观测数据进行超快速LOD参数解算获取:
a、实时获取GNSS卫星最新的24小时观测值文件、导航文件、先验的地球自转参数文件和GNSS地球自转参数精密确定的通用配置文件;
b、根据GNSS观测数据建立GNSS观测方程:
GNSS观测方程线性化为:
式中,LOD0为先验LOD参数,θ为格林泥治真恒星时,γ≈1.0027379093,t为观测时刻的儒略日,t0为所选参考时刻的儒略日;
c、线性化后的GNSS观测方程,根据最小二乘法解算先验LOD参数LOD0的改正数,最终获取GNSS技术导出的最新的快速低延迟的LOD基础数据。
步骤S2中,当预报时长大于2天时,采用最新的LOD基础数据。
本发明的原理说明如下:
与传统LS+MAR技术相比,本设计先获取UT1R-TAI基础数据的一阶差分序列,然后经过LS+MAR预报后恢复为非差的UT1R-TAI序列,将UT1R-TAI基础数据进行一阶差分运算,以显著改善与LODR的相关性,相关性更强后,更能在MAR模型中利用LODR的信息来改善UT1-UTC的超短期预报精度;同时,充分利用GNSS技术快速低延迟观测解算到的LOD数据获取改善的LODR拟合残差,进而基于改善的LODR拟合残差来提高UT1-UTC的超短期预报精度。
根据LOD=-d(UT1-UTC)/dt的定义,充分挖掘和利用LOD和UT1-UTC之间的相关信息,即让LOD与UT1-UTC的一阶差分在MAR模型中相关联,而非让LOD与UT1-UTC相关联。
实施例:
参见图1,一种超短期地球自转参数预报方法,该方法包括以下步骤:
S1、通过文件或者网络获取IERS提供的UT1-UTC基础数据和LOD基础数据,同时获取GNSS技术快速低延迟观测导出的最新的LOD基础数据;
A、最新的LOD基础数据通过以下方法获取:下载延迟3~9小时的国际GNSS服务的LOD基础数据或者下载延迟3~9小时的国内iGMAS的LOD基础数据或者利用GNSS技术解算导出的最新超快速产品的LOD基础数据;
B、最新的LOD基础数据根据GNSS原始观测数据进行超快速LOD参数解算获取:
a、实时获取GNSS卫星最新的24小时观测值文件、导航文件、先验的地球自转参数文件和GNSS地球自转参数精密确定的通用配置文件;
b、根据GNSS观测数据建立GNSS观测方程:
需要常规线性化GNSS卫星轨道和测站等参数,其中,日常变化LOD参数隐含于旋转矩阵S中,将其线性化为:
式中,LOD0为先验LOD参数,θ为格林泥治真恒星时,γ≈1.0027379093,t为观测时刻的儒略日,t0为所选参考时刻的儒略日;
c、线性化后的GNSS观测方程,根据最小二乘法解算先验LOD参数LOD0的改正数,最终获取GNSS技术导出的最新的快速低延迟的LOD基础数据;
S2、移除UT1-UTC基础数据的跳秒和潮汐,获得UT1R-TAI基础数据,并移除LOD基础数据的潮汐,获得LODR基础数据,UT1R-TAI基础数据和LODR基础数据的时间序列均分为周期项、线性项和残差项;
当预报时长大于2天时,采用最新的LOD基础数据;
S31、计算UT1R-TAI基础数据的一阶差分序列:
S32、利用最小二乘(LS)模型拟合并预报Δft ut1的周期项和线性项、LODR的周期项和线性项,同时,计算Δft ut1的残差项dΔft ut1和LODR的残差项dLODRt;
相关系数r为:
相关系数的计算是为了便于直观测试和验证本设计确实挖掘和利用了LOD和UT1-UTC之间的相关信息;图3是本设计统计的相关系数,图4是传统方法统计的相关系数,从图3、图4可以看出,本设计确实充分挖掘和利用了LOD和UT1-UTC之间的相关信息;
S33、利用多元自回归(MAR)模型拟合Δft ut1的残差项dΔft ut1和LODR的残差项dLODRt,并预报Δft ut1的残差项;
上述方法也可推广并改进WLS+MAR,即在步骤S32中使用WLS模型,而非LS模型。
参见图5,本实施例是进行210次预报得出的统计结果,每次预报1~10天,其中,MAE代表预报UT1-UTC的平均绝对误差,LS+AR和LS+MAR表示传统方法的预报误差结果,Bulletin-A为IERS发布Bulletin-A产品的预报误差结果,本发明表示本设计的预报误差结果。因此,结果表明,本设计的顾及地球自转参数相关性及GNSS导出参数辅助的超短期地球自转参数预报方法得到的UT1-UTC超短期预测结果比LS+AR和LS+MAR传统方法的预测结果在预报精度性能上显著提高,并且也显著优于IERS发布Bulletin-A产品的预报精度。由于WLS的加权方法多种多样,而且理论上,LS可以看作一种特殊的WLS,因此本设计在推广到WLS+MAR的实施例以及和传统WLS+AR/WLS+MAR方法的比较这里不再重复展示。
Claims (4)
1.一种超短期地球自转参数预报方法,其特征在于,该方法包括以下步骤:
S1、通过文件或者网络获取IERS提供的UT1-UTC基础数据和LOD基础数据,同时获取GNSS技术快速低延迟观测导出的最新的LOD基础数据;
S2、移除UT1-UTC基础数据的跳秒和潮汐,获得UT1R-TAI基础数据,并移除LOD基础数据的潮汐,获得LODR基础数据,UT1R-TAI基础数据和LODR基础数据的时间序列均分为周期项、线性项和残差项;
S31、计算UT1R-TAI基础数据的一阶差分序列:
S32、利用最小二乘模型拟合并预报Δft ut1的周期项和线性项、LODR的周期项和线性项,同时,计算Δft ut1的残差项dΔft ut1和LODR的残差项dLODRt;
S33、利用多元自回归模型拟合Δft ut1的残差项dΔft ut1和LODR的残差项dLODRt,并预报Δft ut1的残差项;
2.根据权利要求1所述的一种超短期地球自转参数预报方法,其特征在于:步骤S1中,最新的LOD基础数据通过以下方法获取:下载延迟3~9小时的国际GNSS服务的LOD基础数据或者下载延迟3~9小时的国内iGMAS的LOD基础数据或者利用GNSS技术解算导出的最新超快速产品的LOD基础数据。
3.根据权利要求1所述的一种超短期地球自转参数预报方法,其特征在于:步骤S1中,最新的LOD基础数据根据GNSS原始观测数据进行超快速LOD参数解算获取:
a、实时获取GNSS卫星最新的24小时观测值文件、导航文件、先验的地球自转参数文件和GNSS地球自转参数精密确定的通用配置文件;
b、根据GNSS观测数据建立GNSS观测方程:
GNSS观测方程线性化为:
式中,LOD0为先验LOD参数,θ为格林泥治真恒星时,γ≈1.0027379093,t为观测时刻的儒略日,t0为所选参考时刻的儒略日;
c、线性化后的GNSS观测方程,根据最小二乘法解算先验LOD参数LOD0的改正数,最终获取GNSS技术导出的最新的快速低延迟的LOD基础数据。
4.根据权利要求1所述的一种超短期地球自转参数预报方法,其特征在于:步骤S2中,当预报时长大于2天时,采用最新的LOD基础数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210350876.3A CN114925327A (zh) | 2022-04-02 | 2022-04-02 | 一种超短期地球自转参数预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210350876.3A CN114925327A (zh) | 2022-04-02 | 2022-04-02 | 一种超短期地球自转参数预报方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114925327A true CN114925327A (zh) | 2022-08-19 |
Family
ID=82804540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210350876.3A Pending CN114925327A (zh) | 2022-04-02 | 2022-04-02 | 一种超短期地球自转参数预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114925327A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116819573A (zh) * | 2023-08-24 | 2023-09-29 | 北京航空航天大学 | 一种削弱gps相关lod系统误差的长期模型构建方法 |
CN116822336A (zh) * | 2023-06-01 | 2023-09-29 | 大连海事大学 | 一种多模型组合的潮汐预报方法 |
-
2022
- 2022-04-02 CN CN202210350876.3A patent/CN114925327A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822336A (zh) * | 2023-06-01 | 2023-09-29 | 大连海事大学 | 一种多模型组合的潮汐预报方法 |
CN116822336B (zh) * | 2023-06-01 | 2024-04-09 | 大连海事大学 | 一种多模型组合的潮汐预报方法 |
CN116819573A (zh) * | 2023-08-24 | 2023-09-29 | 北京航空航天大学 | 一种削弱gps相关lod系统误差的长期模型构建方法 |
CN116819573B (zh) * | 2023-08-24 | 2023-11-14 | 北京航空航天大学 | 一种削弱gps相关lod系统误差的长期模型构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102288978B (zh) | 一种cors基站周跳探测与修复方法 | |
Psychas et al. | Assessment of ionospheric corrections for PPP-RTK using regional ionosphere modelling | |
DE602004009590T2 (de) | Verfahren zur empfängerautonomen integritätsüberwachung und fehlerdetektion und -beseitigung | |
CN114925327A (zh) | 一种超短期地球自转参数预报方法 | |
US8120529B2 (en) | Method and apparatus for autonomous, in-receiver prediction of GNSS ephemerides | |
CN104714244A (zh) | 一种基于抗差自适应Kalman滤波的多系统动态PPP解算方法 | |
CN111596321B (zh) | 利用非差改正数的多gnss多路径误差恒星日滤波方法及系统 | |
Paziewski | Study on desirable ionospheric corrections accuracy for network-RTK positioning and its impact on time-to-fix and probability of successful single-epoch ambiguity resolution | |
CN105301601A (zh) | 一种适用于全球区域的gnss电离层延迟三维建模方法 | |
CN102998681A (zh) | 一种卫星导航系统的高频钟差估计方法 | |
CN111913197A (zh) | Gps_bds双模授时技术在配电网自动化的应用方法 | |
CN107966722A (zh) | 一种gnss钟差解算方法 | |
CN116774264B (zh) | 基于低轨卫星机会信号多普勒的运动目标定位方法 | |
Deep et al. | Application of Kalman filter in GPS position estimation | |
Uwamahoro et al. | Reconstruction of storm-time total electron content using ionospheric tomography and artificial neural networks: A comparative study over the African region | |
Banville et al. | Defining the basis of an integer-levelling procedure for estimating slant total electron content | |
Mi et al. | Stochastic modeling of between-receiver single-differenced ionospheric delays and its application to medium baseline RTK positioning | |
Andersen | Multi-level arc combination with stochastic parameters | |
CN107942357B (zh) | 一种大地测量非等距时序噪声的自适应差分估计方法 | |
CN116594046B (zh) | 基于低轨卫星信号多普勒误差补偿的运动目标定位方法 | |
Blewitt et al. | GPS geodesy with centimeter accuracy | |
CN115308781B (zh) | 基于bdgim辅助的相位平滑伪距高精度时间传递方法 | |
Luo et al. | Benefit of sparse reference network in BDS single point positioning with single-frequency measurements | |
Ragheb et al. | Enhancement of GPS single point positioning accuracy using referenced network stations | |
Sosnovsky et al. | A Method of Phase Unwrapping Algorithms Efficiency Analysis for InSAR Data Processing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |