动态大地测量数据融合有关问题研究.docxVIP

动态大地测量数据融合有关问题研究

摘要

不同时期的大地测量观测，由于采用了不同的观测设计方案、不同的观测仪器、不同的卫星轨道、不同的坐标基准等，可能会导致动态大地测量观测数据间存在系统误差、随机误差以及基准误差。本文引入自适应序贯平差、异常误差补偿法、自适应拟合推估、voronoi图、最小曲率等理论方法，对动态大地测量数据处理理论中异常误差的影响、异常误差的影响控制、函数模型的建立、随机模型的确定、基准的统一以及速度场的计算等方面进行了系统研究，并将研究成果应用于实际数据处理中。

关键词

动态大地测量；数据融合；异常误差补偿；函数模型

一、引言

动态大地测量是地球科学中的重要领域，旨在获取地球物体在时间和空间上的变形信息。随着科技发展，其应用范围不断扩大，从城市基础设施建设到自然灾害预警，都发挥着关键作用。然而，动态大地测量数据来源广泛，具有多源、多尺度、多维度特性，不同数据间存在各种误差，这为数据处理带来挑战。如何有效融合这些数据，提高数据精度和可靠性，成为当前研究的重点。

二、动态大地测量数据特性分析

2.1多源性

动态大地测量数据涵盖多种技术获取的数据，如全球定位系统（GPS）、全球导航卫星系统（GNSS）提供高精度位置信息；激光雷达可获取地形地貌的三维点云数据；光纤传感器、压力传感器用于监测微小变形和应力变化。这些数据来源不同，测量原理和精度各异。

2.2时空特性

数据具有明显的时间和空间特征。时间上，地球物体变形随时间连续变化，需长期观测获取完整变形过程；空间上，不同区域变形模式和幅度不同，需考虑空间相关性和局部变形特征。

2.3误差复杂性

由于观测方案、仪器、卫星轨道、坐标基准等差异，数据中存在系统误差、随机误差和基准误差。系统误差影响数据准确性，随机误差降低精度，基准误差导致不同数据难以统一分析。

三、动态大地测量数据融合模型与算法

3.1函数模型建立

在大地测量数据处理中，函数模型用于描述观测值与未知参数之间的数学关系。传统上，常采用附不等式约束最小乘平差模型来处理大地测量数据。随着理论的发展，不等式约束平差在实践中得到广泛应用，其优势在于能更好地适应复杂测量情况，对实际测量中产生的误差有更深入的认识。

误差来源多样，包括气候、温度、湿度等环境因素变化，以及人为操作和仪器本身的问题。为减少误差影响，可引入非线性模型或误差分析模型。例如，在处理复杂地形的测量数据时，非线性模型能更准确地描述观测值与实际地形的关系，提高测量精度。

3.2随机模型确定

随机模型主要用于处理测量数据中的随机误差，通过对观测值的方差进行估计，实现几何观测与物理观测等多方面的科学协调。在大地测量数据处理中，合理确定随机模型至关重要。

常用的方法是利用随机模型对大地测量相关数据进行合理性分析与规划。例如，通过对不同类型观测数据的方差分量估计，调整观测值的权重，使不同精度的观测数据在数据融合中得到合理利用，有效改善大地测量数据不准确和不精确的问题。在实际应用中，对于GPS观测数据，可根据其观测环境和设备精度，合理估计方差，优化随机模型，提高数据融合效果。

3.3异常误差控制

3.3.1观测异常误差影响

观测异常误差对平差结果影响显著。在动态大地测量数据处理中，异常误差可能导致平差结果偏离真实值，影响后续分析和应用。从函数模型角度，异常误差会使观测值与模型预测值偏差增大，破坏模型的合理性；从随机模型角度，异常误差会干扰方差估计，降低平差结果精度。

3.3.2控制方法

在随机模型方面，引入自适应序贯平差法和抗差自适应序贯平差法。自适应序贯平差法能根据新观测数据实时调整平差参数，适应数据变化；抗差自适应序贯平差法则进一步增强对异常误差的抵抗能力，提高平差结果稳定性。在函数模型方面，提出异常误差的函数模型补偿法。通过对残差统计量进行假设检验，判断异常误差位置，引入相应异常参数与主参数一并解算，有效控制异常误差影响。实际算例表明，这两种方法从函数模型和随机模型两方面都能很好地控制异常误差。

3.4数据融合算法

3.4.1抗差解融合

考虑到观测数据中可能存在粗差，抗差解融合算法通过采用抗差估计方法，提高数据融合的容错性。在实际动态大地测量中，观测数据易受外界干扰产生粗差，抗差解融合算法能有效识别和处理这些粗差，确保融合结果可靠性。例如，在地震监测中，测量数据可能因地震干扰出现异常值，抗差解融合算法可准确排除这些异常值影响，提供准确变形信息。

3.4.2方差分量解融合

方差分量解融合算法通过合理估计不同观测数据的方差分量，调整观测值权重，实现观测量间的平衡性。在多源动态大地测量数据融合中，不同数据精度不同，方差分量解融合算法可根据数据方差合理分配权重，使高精度数据在融合中起主导作用，低精度数据也能合理参与，提高融合结果精度。

3.