CN112001559A - 一种变形监测预报方法 - Google Patents
一种变形监测预报方法 Download PDFInfo
- Publication number
- CN112001559A CN112001559A CN202010898433.9A CN202010898433A CN112001559A CN 112001559 A CN112001559 A CN 112001559A CN 202010898433 A CN202010898433 A CN 202010898433A CN 112001559 A CN112001559 A CN 112001559A
- Authority
- CN
- China
- Prior art keywords
- deformation
- sequence
- monitoring
- deformation monitoring
- formula
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 89
- 238000013277 forecasting method Methods 0.000 title claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000000354 decomposition reaction Methods 0.000 claims description 36
- 150000001875 compounds Chemical class 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 239000005433 ionosphere Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 239000005436 troposphere Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种变形监测预报方法,S1:获取变形监测序列;S2:对所述变形监测序列进行分解,得到多个模态函数IMF分量和残余项;S3:基于所述多个模态函数分量和所述残余项,通过ARMA模型进行预测,获得各个模态函数分量的变形预测值;S4:基于各个模态函数分量的变形预测值确定变形趋势。本发明通过对所述变形监测序列进行分解,得到多个模态函数IMF分量和残余项,利用ARMA模型分别进行精细化预测,最后将预测得到的各个预测值叠加得到工程建筑物的变形趋势,有效地避免了单一模型极端值过多,稳定性失衡的缺点。
Description
技术领域
本发明涉及监测预报技术领域,具体涉及一种变形监测预报方法。
背景技术
变形监测是利用专业的仪器和方法,对工程建筑物进行一系列测量,得到建筑物的位移、沉降、振动、倾斜等信息,以保证工程建筑的安全。随着土木工程技术的发展,近年来越来越多超级工程应运而生,如超高层建筑、高速铁路、跨海大桥等,这些建筑物对形体变形异常敏感。由于在工程设计时难以预测工程荷载,地表沉降等因素,工程运营期间也会受到气候,人类活动,地质变化等影响,导致工程变形引发严重的后果。
测量仪器和技术不断发展,越来越多的数据采集技术应用于变形监测领域中。全球卫星导航***(Global Navigation Satellite System, GNSS)是测量技术的又一次革命,与传统方法相比,GNSS变形监测具有测量速度快、同时获取三维坐标、全天候自动化观测等优点,但其观测精度容易受现场观测环境、大气层尤其是电离层及对流层的影响。雷达干涉测量(Interometry SAR, InSAR)是一种新的遥感技术,该技术利用雷达向监测区域发射微波,通过接收回波获得目标区域的两幅或多幅SAR影像,对其中的相位数据进行干涉处理与分析得到地表的变形信息,具有精度高、覆盖面广等优势。此外,近景摄影测量、光纤传感器以及激光扫描等技术也在变形监测领域发展迅速,使变形监测的可靠性和精度得到进一步提高。
传统ARMA模型虽然对变形监测预测领域应用广泛,但由于监测数据包含误差,使用单一模型预测的同时也将误差因素包含在内,由误差传播定律可知预测结果仍包含误差甚至放大误差,预报具有不稳定性,严重影响精度。
发明内容
为了解决上述问题,本发明提供了一种变形监测预报方法,至少在一定程度上克服了由于相关技术的限制和缺陷而导致的一个或多个问题。
一种变形监测预报方法,包括:
S1:获取变形监测序列;
S2:对所述变形监测序列进行分解,得到多个模态函数IMF分量和残余项;
S3:基于所述多个模态函数分量和所述残余项,通过ARMA模型进行预测,获得各个模态函数分量的变形预测值;
S4:基于各个模态函数分量的变形预测值确定变形趋势。
进一步地,所述对所述变形监测序列进行分解包括:
采用改进的经验模态分解MEEMD算法对所述变形监测序列进行分解或采用自适应完备集合经验模态分解CEEMDAN算法对所述变形监测序列进行分解。
更进一步地,所述采用改进的经验模态分解MEEMD算法对所述变形监测序列进行分解包括:
对其再进行经验模态分解EMD算法分解,得到最终分解结果为:
更进一步地,所述基于所述多个模态函数分量和所述残余项,通过ARMA模型进行预测,获得各个模态函数分量的变形预测值包括:
采用AIC准则为ARMA模型定阶,AIC函数表达式为:
采用最小二乘法进行参数估计,将(5)式改写成向量形式:
利用(5)式对各IMF分量预报重构,得到变形监测预测值。
更进一步地,所述方法还包括采用平均绝对百分比误差对所述变形预测值进行判断,如式(11):
更进一步地,所述采用自适应完备集合经验模态分解CEEMDAN算法对所述变形监测序列进行分解包括:
本发明的有益效果:
本申请实施例提供的变形监测方法,通过对所述变形监测序列进行分解,得到多个模态函数IMF分量和残余项,利用ARMA模型分别进行精细化预测,最后将预测得到的各个预测值叠加得到工程建筑物的变形趋势,有效地避免了单一模型极端值过多,稳定性失衡的缺点。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将对本发明作进一步详细的说明。
附图说明:
图1是本发明实施例的一种变形监测预报方法的监测点位移变化示意图;
图2是本发明实施例的ZQS90-01监测点变形序列IMF示意图;
图3是本发明实施例的MEEMD-ARMA与ARMA预测对比示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
一种变形监测预报方法,包括:
S1:获取变形监测序列;
S2:对所述变形监测序列进行分解,得到多个模态函数IMF分量和残余项;
S3:基于所述多个模态函数分量和所述残余项,通过ARMA模型进行预测,获得各个模态函数分量的变形预测值;
S4:基于各个模态函数分量的变形预测值确定变形趋势。
本申请实施例中,ARMA模型是根据过去的观测资料来预测未来的观测数据,建立数学模型来表述某一现象的动态特征。其主要是对某些依赖于时间的时间变量,构成其序列的单个变量虽具有不确定性,但整个序列的变化具有一定的规律,通过建立数学模型分析研究,在方差最小的情况下达到最优预测。
本申请实施例中ARMA模型,具体步骤如下:
1)监测数据预处理,主要包括粗差剔除和数据补缺,预处理后的数据要能够真实准确地反映出时间序列的行为状态;
2)模型定阶,确定模型的自回归部分的阶数p和滑动平均阶数q,可采用样本自相关系数(Auto Correlation Fuction, ACF)和样本偏相关系数(Partial Auto CorrelationFuction, PACF)的截尾或拖尾情况初步判别。较为精确的定阶准则有赤池信息准则(Akaike Information Criterion, AIC)、贝叶斯信息准则(Bayesian InformationCriterion, BIC)、最终预报误差准则(Final Prediction Error, FPE)等;
3)参数估计,对模型中的未知参数按照一定的原则进行估计,主要方法有矩估计法、最大似然估计法、最小二乘法等;
4)数据预报,将历史数据代入时序模型预报未来值。
本申请实施例提供的变形监测方法,通过对所述变形监测序列进行分解,得到多个模态函数IMF分量和残余项,利用ARMA模型分别进行精细化预测,最后将预测得到的各个预测值叠加得到工程建筑物的变形趋势,有效地避免了单一模型极端值过多,稳定性失衡的缺点。
进一步地,所述对所述变形监测序列进行分解包括:
采用改进的经验模态分解MEEMD算法对所述变形监测序列进行分解或采用自适应完备集合经验模态分解CEEMDAN算法对所述变形监测序列进行分解。
本申请实施例提供的变形监测方法,通过将变形监测数据利用MEEMD算法分解或利用CEEMDAN算法对其进行分解,由于算法对非平稳波动序列有着很好的适应性,将变形监测序列分解为若干特征模态函数(Intrinsic Mode Function, IMF),然后将分解得到的IMF分量和残余项,利用ARMA模型分别进行精细化预测,最后将预测得到的各个预测值叠加得到工程建筑物的变形趋势,有效地避免了单一模型极端值过多,稳定性失衡的缺点。
更进一步地,所述采用改进的经验模态分解MEEMD算法对所述变形监测序列进行分解包括:
对其再进行经验模态分解EMD算法分解,得到最终分解结果为:
本申请实施例提供的变形监测方法,首先采用MEEMD算法分解变形监测序列,MEEMD在EEMD的基础上发展而来,在保留EEMD优点的同时极大程度地抑制了白噪声对原始信号的污染,保证了分解的完备性。其基本思想是在待分解序列中加入两组符号相反高斯白噪声,然后进行EMD分解,可以有效解决EMD分解过程中的模态混叠问题。
更进一步地,所述基于所述多个模态函数分量和所述残余项,通过ARMA模型进行预测,获得各个模态函数分量的变形预测值包括:
采用AIC准则为ARMA模型定阶,AIC函数表达式为:
采用最小二乘法进行参数估计,将(5)式改写成向量形式:
利用(5)式对各IMF分量预报重构,得到变形监测预测值。
更进一步地,所述方法还包括采用均方根误差对所述变形预测值进行判断,如式(9):
本申请实施例提供的变形监测方法,在ARMA预测模型的基础上,引入MEEMD算法对原始监测序列分解,MEEMD算法不需要进行函数基的选择,对非线性不平稳序列有着很好的自适应性,同时改善了EMD方法中模态混叠的问题。对分解后的分量进行ARMA精细预测重构,构建了一种精度更高的变形监测预报模型,对工程检测物及早地做出预警,减少灾害的发生,在工程建筑变形监测灾害预报领域有一定应用价值。
更进一步地,所述方法还包括采用平均绝对误差对所述变形预测值进行判断,如式(10):
更进一步地,所述方法还包括采用平均绝对百分比误差对所述变形预测值进行判断,如式(11):
更进一步地,所述采用自适应完备集合经验模态分解CEEMDAN算法对所述变形监测序列进行分解包括:
本申请实施例提供的变形监测方法,采用自适应完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN),CEEMDAN在每个分解阶段在信号中添加自适应高斯白噪声,分解得到模态分量后立即进行加总平均计算,在接下来的分解中执行同样的操作,实现在较少的平均次数下,保证重构误差为0,同样可以避免噪声传递和模态混叠问题。
实验例
实验数据来源于贵阳地铁3号线中曹司站周边地表监测数据,选取2020年2月3日至2020年5月1日期间共36期监测数据,利用前30期数据预测后6期变形趋势,对其中一个地表沉降监测点DBC68-01,两个桩顶水平监测点ZQS-73、ZQS90-01进行预测。首先用MEEMD将变形序列分解为IMF分量,然后利用ARMA模型将各个分量预测,将各个分量的预测值叠加得到后6期预测值,利用后6期的实测监测数据进行检验。3个监测点的具***移变化量如附图1所示,可以看出监测点周围地表明显呈下降趋势。
如附图2所示,附图2展示了ZQS90-01监测点变形序列经MEEMD算法分解后结果,分解为4个IMF分量和1个残余项。
如附图3所示,附图3展示了ZQS90-01监测点单一ARMA模型与本发明MEEMD-ARMA组合模型的预测效果对比,从图中可以看出,单一ARMA模型的预测值误差较大,而MEEMD-ARMA组合模型预测更平稳,符合实际变形趋势。
附表1展示了ZQS90-01监测点后6期MEEMD-ARMA组合模型预报数据与实际数据的对比,可以看出预报值的绝对误差均优于2 mm,相对误差均小于6%,与实际值相匹配,在可接受范围之内。
附表2展示了3个监测点变形预测的精度分析,从中可以看出单一ARMA模型得到预测精度较差,MEEMD-ARMA组合模型的预测趋势与实际变形趋势接近。3个监测点在预测精度上均有提高,均方根误差分别降低了36.92%、43.2%、7.42%,平均绝对误差分别降低了40.37%、41.09、10.21%,平均绝对误差百分比分别降低了39.45%、39.69%、12.33%,基本满足变形监测预报要求。
附表 2 监测点变形趋势预测指标对比
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、同替换、改进,均应包含在本发明的保护范围之内。
Claims (8)
1.一种变形监测预报方法,其特征在于,包括以下步骤:
S1:获取变形监测序列;
S2:对所述变形监测序列进行分解,得到多个模态函数IMF分量和残余项;
S3:基于所述多个模态函数分量和所述残余项,通过ARMA模型进行预测,获得各个模态函数分量的变形预测值;
S4:基于各个模态函数分量的变形预测值确定变形趋势。
2.根据权利要求1所述的变形监测预报方法,其特征在于,所述对所述变形监测序列进行分解包括:
采用改进的经验模态分解MEEMD算法对所述变形监测序列进行分解或采用自适应完备集合经验模态分解CEEMDAN算法对所述变形监测序列进行分解。
4.根据权利要求3所述的变形监测预报方法,其特征在于,所述基于所述多个模态函数分量和所述残余项,通过ARMA模型进行预测,获得各个模态函数分量的变形预测值包括:
采用AIC准则为ARMA模型定阶,AIC函数表达式为:
采用最小二乘法进行参数估计,将(5)式改写成向量形式:
利用(5)式对各IMF分量预报重构,得到变形监测预测值。
8.根据权利要求2所述的变形监测预报方法,其特征在于,所述采用自适应完备集合经验模态分解CEEMDAN算法对所述变形监测序列进行分解包括:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010898433.9A CN112001559A (zh) | 2020-08-31 | 2020-08-31 | 一种变形监测预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010898433.9A CN112001559A (zh) | 2020-08-31 | 2020-08-31 | 一种变形监测预报方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112001559A true CN112001559A (zh) | 2020-11-27 |
Family
ID=73464928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010898433.9A Pending CN112001559A (zh) | 2020-08-31 | 2020-08-31 | 一种变形监测预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001559A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434890A (zh) * | 2020-12-18 | 2021-03-02 | 中国计量大学上虞高等研究院有限公司 | 基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法 |
CN113221070A (zh) * | 2021-05-14 | 2021-08-06 | 深圳市安泰数据监测科技有限公司 | 岩土工程的变形数据预测方法、装置及设备 |
CN114722480A (zh) * | 2022-05-11 | 2022-07-08 | 安徽省建设工程测试研究院有限责任公司 | 房屋建筑结构的安全监测***及其建立、监测方法 |
CN116128124A (zh) * | 2023-01-09 | 2023-05-16 | 北京建筑大学 | 一种基于异常用能值处理和时序分解的建筑能耗预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292453A (zh) * | 2017-07-24 | 2017-10-24 | 国网江苏省电力公司电力科学研究院 | 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法 |
-
2020
- 2020-08-31 CN CN202010898433.9A patent/CN112001559A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292453A (zh) * | 2017-07-24 | 2017-10-24 | 国网江苏省电力公司电力科学研究院 | 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法 |
Non-Patent Citations (3)
Title |
---|
尚平萍等: "基于CEEMDAN 的地震信号高分辨率时频分析方法", 《石油物探》 * |
汤俊等: "多尺度ARMA残差修正模型震前电离层TEC异常探测", 《武汉大学学报·信息科学版》 * |
郑近德等: "改进的EEMD算法及其应用研究", 《振动与冲击》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434890A (zh) * | 2020-12-18 | 2021-03-02 | 中国计量大学上虞高等研究院有限公司 | 基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法 |
CN113221070A (zh) * | 2021-05-14 | 2021-08-06 | 深圳市安泰数据监测科技有限公司 | 岩土工程的变形数据预测方法、装置及设备 |
CN114722480A (zh) * | 2022-05-11 | 2022-07-08 | 安徽省建设工程测试研究院有限责任公司 | 房屋建筑结构的安全监测***及其建立、监测方法 |
CN116128124A (zh) * | 2023-01-09 | 2023-05-16 | 北京建筑大学 | 一种基于异常用能值处理和时序分解的建筑能耗预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001559A (zh) | 一种变形监测预报方法 | |
CN108317949B (zh) | 一种rtk高精度差分定位形变监测***及方法 | |
Moschas et al. | Noise characteristics of high-frequency, short-duration GPS records from analysis of identical, collocated instruments | |
CN106772498B (zh) | 一种gps位置时间序列噪声模型建立方法 | |
CN111323776A (zh) | 一种矿区形变的监测方法 | |
CN113189559B (zh) | 一种星载成像高度计遥感数据海底地形反演方法 | |
Omidalizarandi et al. | A validated robust and automatic procedure for vibration analysis of bridge structures using MEMS accelerometers | |
CN110674603B (zh) | 一种gnss观测数据仿真方法及*** | |
Caballero et al. | Integration of HF radar observations for an enhanced coastal mean dynamic topography | |
WO2005010556A1 (en) | Radar position and movement measurement for geophysical monitoring | |
CN114812491A (zh) | 基于长时间序列分析的输电线路地表形变预警方法及装置 | |
Douvenot et al. | Real time refractivity from clutter using a best fit approach improved with physical information | |
Maier et al. | Occurrence and orientation of anorbital ripples in near‐shore sands | |
Le Marshall et al. | Error characterisation of atmospheric motion vectors | |
Troupin et al. | The AlborEX dataset: sampling of sub-mesoscale features in the Alboran Sea | |
CN111649718A (zh) | 一种基于北斗卫星***的桥梁基础沉降监测算法 | |
Garkoti et al. | Deriving water level and discharge estimation using satellite altimetry for Krishna River, Karnataka | |
Hartmann et al. | High accurate pointwise (geo-) referencing of a k-tls based multi-sensor-system | |
EP4242582A1 (en) | Device and method for calculating behavior of linear structure | |
CN114046774B (zh) | 综合cors网和多源数据的地面形变连续监测方法 | |
Wang et al. | Soil moisture retrieval from sentinel-1 and sentinel-2 data using ensemble learning over vegetated fields | |
Li et al. | Within-footprint roughness measurements using ICESat/GLAS waveform and LVIS elevation | |
Ghaleb et al. | Modeling and simulation of sea surface radar observations | |
Bowler | An initial assessment of the quality of RO data from FY-3D | |
Beresnev et al. | Determining the parameters of sea wave using the automated land and underwater-based complexes |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201127 |
|
RJ01 | Rejection of invention patent application after publication |