CN113761808A - 一种基于gps和经验潮汐模型的地表潮汐位移获取方法及应用方法和*** - Google Patents
一种基于gps和经验潮汐模型的地表潮汐位移获取方法及应用方法和*** Download PDFInfo
- Publication number
- CN113761808A CN113761808A CN202111311438.8A CN202111311438A CN113761808A CN 113761808 A CN113761808 A CN 113761808A CN 202111311438 A CN202111311438 A CN 202111311438A CN 113761808 A CN113761808 A CN 113761808A
- Authority
- CN
- China
- Prior art keywords
- tide
- displacement
- model
- tidal
- empirical
- 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.)
- Granted
Links
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 211
- 238000000034 method Methods 0.000 title claims abstract description 104
- 238000012937 correction Methods 0.000 claims abstract description 73
- 238000005259 measurement Methods 0.000 claims abstract description 59
- 238000005516 engineering process Methods 0.000 claims abstract description 51
- 230000036961 partial effect Effects 0.000 claims abstract description 29
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000012821 model calculation Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000000926 separation method Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 27
- 239000007787 solid Substances 0.000 description 22
- 230000000694 effects Effects 0.000 description 10
- 238000000691 measurement method Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000005305 interferometry Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004613 tight binding model Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 241001061260 Emmelichthys struhsakeri Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于GPS和经验潮汐模型的地表潮汐位移获取方法及应用方法和***，该方法包括：基于潮汐调和分析方法，利用经验潮汐模型计算分潮的调和参数、基于GPS基准网站的观测数据并利用PPP测定技术计算分潮的调和参数；再利用计算出的调和参数构建样本数据集，并引入机器学习进行网络训练得到目标分潮对应的预测模型；最终利用潮汐位移改正模型得到地表潮汐位移，地表潮汐位移改正模型中目标分潮的分潮位移是利用预测模型或利用PPP测定技术计算；其他分潮位移采用经验潮汐模型计算。综上建立了一个高精度、高效率的地表潮汐位移改正模型，适用于高精度、大范围InSAR形变测量。
Description
技术领域
本发明属于地表形变监测技术领域，具体涉及一种基于GPS和经验潮汐模型的地表潮汐位移获取方法及应用方法和***。
背景技术
合成孔径差分干涉测量技术已广泛应用于地面形变测量，随着空间尺度的增大，InSAR差分干涉测量的固体潮和海洋潮汐负荷位移也随之增大。固体潮和海洋潮汐负荷效应是固体地球对日、月引力变化和海洋质量重分布的弹性响应，都是非线性的空间大尺度信号。以往的研究表明，在ERS1/2、ENVISAT ASAR数据的DInSAR干涉图中海洋潮汐负荷，而在100km级的幅宽尺度下通常忽略固体潮效应的影响。Sentinel-1A/B任务为确定地面变形提供了更大的空间尺度的数据，沿美国西海岸SAR卫星轨道上多幅SAR图像拼接的长度能够达到数千公里，其DInSAR干涉图测量的固体潮和海洋潮汐负荷效应的最大位移值超过了78mm。然而，在空间大尺度DInSAR干涉图中，多视后的像素量仍然达到107至108的数量级，传统的固体潮和海洋潮汐负荷模型的单点计算不能满足该空间尺度下像素级的快速计算要求，因此，面向长条带DInSAR干涉测量，建立一种能够高效、高精度确定固体潮和海洋潮汐负荷位移改正模型实有必要。
现有的固体潮和海洋潮汐负荷位移的算法主要是分为：
1.根据IERS2010协议中的固体潮和海洋潮汐负荷对应的经验潮汐模型的潮汐位移估计法；
2.利用PPP测定技术来确定海洋潮汐负荷位移。
其中，经验潮汐模型中固体潮模型具有较高的精度，通常误差值小于固体潮位移的1%，但海潮模型在近海区域的欠准确性可能导致海洋潮汐负荷位移的误差。海潮模型是一个具有适当分辨率的格网模型，格网点表示海潮分潮的调和参数，将格网点的潮汐调和参数代入到海洋潮汐负荷模型，可以预测海洋潮汐负荷效应引起的地表形变位移。许多空间分辨率为0.125°×0.125°或0.5°×0.5°的全球海潮模型在海岸附近无法准确地反映潮高的变化。
研究者们利用静态/动态PPP测定技术来确定海洋潮汐负荷位移，在GPS观测时间序列大于1000天时，动态PPP测定技术可以准确测定主要海潮分潮的调和参数，其中，M2、S2、O1、N2和Q1分潮的位移精度在0.2 mm水平。然而，GPS观测站的数量是有限的，因此一定程序限制了其应用空间，尤其是面对沿海空间大尺度地表形变监测应用时，GPS观测站的数量限制了监测范围以及潮汐负荷位移的计算效率。
综上所述，基于GPS的PPP测定技术以及经验潮汐模型潮汐位移估计法具有各自的优势以及弊端，如何充分利用其各自优势以及规避短处，建立一个高精度、高效率的地表潮汐位移改正模型是本发明的研究点，进而为快速、准确地改正长条带DInSAR干涉图中各像元位置的地表潮汐位移奠定了基础。
发明内容
本发明的目的是提供一种基于GPS和经验潮汐模型的地表潮汐位移获取方法及应用方法和***，所述方法构建了潮汐位移改正模型，其融合了基于GPS和经验潮汐模型的潮汐位移数据，充分利用了PPP测定技术在部分分潮位移测定上的高精度特征，同时通过构建预测模型有效克服了GPS观测站数量约束的问题，提升了地表潮汐位移的获取精度，并通过引入机器学习构建预测模型也提升了测定效率，构建了一个高精度、高效率的潮汐位移改正模型，适用于高精度、大范围InSAR形变测量应用中，为快速、准确地改正长条带DInSAR干涉图中各像元位置的地表潮汐位移奠定了基础。
一方面，本发明提供的一种基于GPS和经验潮汐模型的地表潮汐位移获取方法，其包括以下步骤：
步骤S1：将全球海潮模型与区域海潮模型组合构成经验潮汐模型，并利用所述经验潮汐模型计算分潮的调和参数；以及基于GPS基准网站的观测数据并利用PPP测定技术计算分潮的调和参数；其中，所述调和参数为振幅、相位；
步骤S2：利用所述经验潮汐模型计算出的调和参数和利用PPP测定技术计算出的调和参数构建样本数据集，并引入机器学习进行网络训练得到目标分潮对应的预测模型；
其中，将同一位置、同一分潮对应的经验潮汐模型计算出的调和参数、PPP测定技术计算出的调和参数作为对应一类分潮的一组样本数据；并以经验潮汐模型计算出的调和参数构建网络输入参数或将其作为网络输入参数；以PPP测定技术计算出的调和参数构建网络输出参数或将其作为网络输出参数；
所述目标分潮为：M2、S2、N2、O1、Q1中的部分或全部分潮；
步骤S3：构建潮汐位移改正模型，并利用所述潮汐位移改正模型得到地表潮汐位移；
其中，所述地表潮汐位移改正模型中目标分潮的分潮位移是利用所述预测模型或利用PPP测定技术计算；其他分潮位移采用所述经验潮汐模型计算；再将同一位置上各个分潮位移相加得到对应位置上的地表潮汐位移。
本发明所述方法考虑到PPP测定技术在测定M2、S2、O1、N2和Q1分潮的位移精度达到0.2 mm水平，然而GPS观测站的数量有限的问题，以现有的GPS观测站的观测数据为基础，引入机器学习拟合寻找经验潮汐模型、PPP测定技术两种测定方法的测定结果之间的关系，从而得到预测模型；该预测模型能够根据经验潮汐模型的测定结果得到接近PPP测定技术测定结果精度的预测结果，从而克服了GPS观测站的数量约束的问题以及充分利用了PPP测定技术在部分分潮上的高精度测定特征。
此外，本发明选用全球海潮模型与区域海潮模型组合构成经验潮汐模型，可以有效克服全球海潮模型在海岸附近无法准确地反映潮高的变化的问题，提升测定精度。
可选地，所述目标分潮包括：M2、N2、O1、Q1分潮；所述地表潮汐位移改正模型中采用所述经验潮汐模型计算K2、K1、P1分潮位移，以及利用预测模型或利用PPP测定技术计算M2、N2、O1、Q1分潮位移。
可选地，步骤S3中利用所述预测模型计算任一位置H上目标分潮的分潮位移的过程如下：
基于所述经验潮汐模型获取所述位置H下目标分潮的调和参数；
再基于所述调和参数并利用所述预测模型得到网络输出参数，以此计算出目标分潮的分潮位移。
可选地，步骤S2中所述网络输入参数是：以经验潮汐模型计算出的调和参数构建的分潮相量；所述网络输出参数是：以PPP测定技术计算出的调和参数构建的分潮相量，分潮相量的表达如下：
式中，
为
位置上分潮
的分潮相量，
为
位置上分潮
的振幅，
为
位置上分潮k的相位。
可选地，步骤S2中所述预测模型采用最小二乘支持向量机。
第二方面，本发明提供一种基于上述地表潮汐位移获取方法的应用方法，其应用于修正差分干涉图，其包括：利用所述潮汐位移改正模型得到地表潮汐位移，所述地表潮汐位移为海潮负荷位移改正数据；
再利用所述地表潮汐位移修正对应差分干涉图中对应像元位置的海潮负荷位移。
第三方面，本发明提供一种基于上述地表潮汐位移获取方法的***，其包括：
经验潮汐模型计算模块，利用所述经验潮汐模型计算分潮的调和参数；
PPP测定技术计算模块，基于GPS基准网站的观测数据并利用PPP测定技术计算分潮的调和参数；
预测模型构建模块，利用所述经验潮汐模型计算出的调和参数和利用PPP测定技术计算出的调和参数构建样本数据集，并引入机器学习进行网络训练得到目标分潮对应的预测模型；
潮汐位移改正值计算模块，利用所述潮汐位移改正模型得到地表潮汐位移。
可选地，所述***还包括：差分干涉图修正模块；
所述差分干涉图修正模块，利用所述地表潮汐位移修正对应差分干涉图中对应像元位置的海潮负荷位移。
第三方面，本发明提供一种***，其包括：
一个或多个处理器；
存储了一个或多个计算机程序的存储器；
所述处理器调用所述计算机程序以实现：所述地表潮汐位移获取方法中利用潮汐位移改正模型得到地表潮汐位移；
或所述处理器调用所述计算机程序以实现：所述差分干涉图修正方法中利用潮汐位移改正模型得到地表潮汐位移，再利用所述地表潮汐位移修正对应差分干涉图中对应像元位置的海潮负荷位移。
第四方面，本发明提供一种可读存储介质，其存储了计算机程序；
所述计算机程序被处理器调用以实现：所述地表潮汐位移获取方法中利用潮汐位移改正模型得到地表潮汐位移；
或者所述计算机程序被处理器调用以实现：所述差分干涉图修正方法中利用潮汐位移改正模型得到地表潮汐位移，再利用所述地表潮汐位移修正对应差分干涉图中对应像元位置的海潮负荷位移。
有益效果
1.本发明提供的一种基于GPS和经验潮汐模型的地表潮汐位移获取方法，其构建的潮汐位移改正模型是融合了经验潮汐模型以及PPP测定技术的优势，提升了地表潮汐位移的测定精度。其中，考虑到PPP测定技术在测定部分分潮的位移精度高，然而GPS观测站的数量有限的问题，以现有的GPS观测站的观测数据为基础，引入机器学习拟合寻找经验潮汐模型与PPP测定技术两种测定方法的测定结果的关系，从而得到预测模型，该预测模型能够根据经验潮汐模型的测定结果得到接近PPP测定技术测定结果精度的预测结果，从而克服了GPS观测站的数量约束的问题以及充分利用了PPP测定技术在部分分潮上的高精度测定效果。再者，本发明选用的经验潮汐模型是将全球海潮模型与区域海潮模型进行组合，可以有效克服全球海潮模型在海岸附近无法准确地反映潮高的变化的问题，提升测定精度。
2.本发明所述地表潮汐位移获取方法能够应用于修正差分干涉图中对应像元位置的海潮负荷位移，尤其是本发明构建的潮汐位移改正模型，其不再受GPS观测站位置的局限，因此，能够适用于长条带DInSAR干涉测量，且通过引入机器学习构建预测模型，能够提高测定速度，更能满足长条带DInSAR干涉测量的实际需求。
附图说明
图1是本发明实施例提供的一种基于GPS和经验潮汐模型的地表潮汐位移获取方法的技术思路示意图；
图2-1中的a1、b1分别是动态PPP方法估计、FES2014b+osu.usawest估计的Q1分潮相量估计值示意图、c1是动态PPP方法估计、FES2014b+osu.usawest估计的Q1分潮相量的矢量差的示意图；
图2-2是动态PPP方法估计、FES2014b+osu.usawest估计的Q1分潮对应的相量比对图；
图3-1中的a2、b2分别是动态PPP方法估计、FES2014b+osu.usawest估计的O1分潮相量估计值示意图、c2是动态PPP方法估计、FES2014b+osu.usawest估计的O1分潮相量的矢量差的示意图；
图3-2是动态PPP方法估计、FES2014b+osu.usawest估计的O1分潮对应的相量比对图；
图4-1中的a3、b3分别是动态PPP方法估计、FES2014b+osu.usawest估计的P1分潮相量估计值示意图、c3是动态PPP方法估计、FES2014b+osu.usawest估计的P1分潮相量的矢量差的示意图；
图 4-2是动态PPP方法估计、FES2014b+osu.usawest估计的P1分潮对应的相量比对图；
图5-1中的a4、b4分别是动态PPP方法估计、FES2014b+osu.usawest估计的K1分潮相量估计值示意图、c4是动态PPP方法估计、FES2014b+osu.usawest估计的K1分潮相量的矢量差的示意图；
图5-2是动态PPP方法估计、FES2014b+osu.usawest估计的K1分潮对应的相量比对图；
图6-1中的a5、b5分别是动态PPP方法估计、FES2014b+osu.usawest估计的N2分潮相量估计值示意图、c5是动态PPP方法估计、FES2014b+osu.usawest估计的N2分潮相量的矢量差的示意图；
图6-2是动态PPP方法估计、FES2014b+osu.usawest估计的N2分潮对应的相量比对图；
图7-1中的a6、b6分别是动态PPP方法估计、FES2014b+osu.usawest估计的M2分潮相量估计值示意图、c6是动态PPP方法估计、FES2014b+osu.usawest估计的M2分潮相量的矢量差的示意图；
图 7-2是动态PPP方法估计、FES2014b+osu.usawest估计的M2分潮对应的相量比对图；
图8-1中的a7、b7分别是动态PPP方法估计、FES2014b+osu.usawest估计的S2分潮相量估计值示意图、c7是动态PPP方法估计、FES2014b+osu.usawest估计的S2分潮相量的矢量差的示意图；
图 8-2是动态PPP方法估计、FES2014b+osu.usawest估计的S2分潮对应的相量比对图；
图9-1中的a8、b8分别是动态PPP方法估计、FES2014b+osu.usawest估计的K2分潮相量估计值示意图、c8是动态PPP方法估计、FES2014b+osu.usawest估计的K2分潮相量的矢量差的示意图；
图 9-2是动态PPP方法估计、FES2014b+osu.usawest估计的K2分潮对应的相量比对图；其中，从图2-1至图9-2可知，M2、N2、O1和Q1分潮的量级较大，空间估计精度较高；
图10-1至图10-3分别是本发明的模型与FES2014b+osu.usawest模型之差的stdDev值在U、N、E三个维度的示意图，其中，基于图10-1至图10-3可以确定该两种方法差异较大的沿海区域；
图11中的a、b图分别是基于本发明模型的沿升轨（193°）和降轨（13°）的LOS方向海潮负荷位移StdDev值示意图。
具体实施方式
下面将结合实施例对本发明做进一步的说明。
本发明提供的一种基于GPS和经验潮汐模型的地表潮汐位移获取方法用于测定海洋潮汐负荷位移改正值（地表潮汐位移）。本发明还提供的其应用方法：将测定的海洋潮汐负荷位移改正值应用于修正对应的差分干涉图。其中，本发明提供的地表潮汐位移获取方法融合了基于GPS的PPP技术以及经验潮汐模型，下文将对其进行具体陈述。
实施例1：
本实施例中的地表潮汐位移
表示为：
其中，
代表动态PPP方法估计精度较高的Q1、O1、N2、M2分潮位移；
代表海潮负荷模型估计的K2、K1、P1分潮的位移。
本实施例中以Q1、O1、N2、M2、K2、K1、P1七个主要分潮的分潮位移求和作为地表潮汐位移，其他可行的实施例中，还可以加入其他分潮的分潮位移，本发明对此不进行具体的限定。其中，本发明以动态PPP方法得到Q1、O1、N2、M2分潮位移，即将Q1、O1、N2、M2分潮设为本实施例中的目标分潮，其他可行的实施例中，可以对其进行调整，本发明对此也不进行具体的限定。
动态PPP技术：可以用于确定海洋潮汐负荷位移，现有研究已证明在GPS观测时间序列大于1000天时动态PPP技术可以准确测定主要海潮分潮的调和参数，其中，M2、S2、O1、N2和Q1分潮的位移精度在0.2 mm水平。
本实施例利用研究区域内的GPS观测站的观测数据，引入动态PPP技术确定Q1、O1、N2、M2分潮的振幅和相位（相位延迟参数）。
经验潮汐模型：是基于全球海潮模型和区域海潮模型组合的负荷格林函数模型，可以理解为：从全球海潮模型格网
中将区域海潮模型格网
的覆盖范围扣除，然后通过基于区域海潮模型的负荷格林函数来计算扣除区域
对计算点的
海潮分潮的位移，其他区域是基于全球海潮模型的负荷格林函数来计算。其中，输入计算点位置至经验潮汐模型即可得到计算点的
海潮分潮的调和参数。
应当理解，不论是采用PPP测定技术或经验潮汐模型，计算出振幅、相位以及分潮位移的过程均是现有技术可实现的，因此，对具体的计算过程不进行详细的陈述。
基于上述理论性陈述，本实施例提供的一种基于GPS和经验潮汐模型的地表潮汐位移获取方法，其包括以下步骤：
步骤S1：将全球海潮模型与区域海潮模型组合构成经验潮汐模型，并利用所述经验潮汐模型计算分潮的调和参数；以及基于GPS基准网站的观测数据并利用PPP测定技术计算分潮的调和参数；其中，所述调和参数为振幅、相位。
其中，针对某一个研究区域以及设定的研究时间范围，利用研究区域内的GPS基准网站的观测数据并利用动态PPP测定技术计算M2、N2、O1、Q1分潮的调和参数（振幅和相位）。应当理解，调和参数是具备时间和空间特性，进而得到基于时间序列的调和参数数据；由于具备空间特性，又可以按照下述形式构建相量：
其中，
为
位置上分潮
的分潮相量，
为
位置上分潮
的振幅，
为
位置上分潮
的相位；在GPS的数据中，
是某一
GPS站点位置的经纬度。
同理，利用经验潮汐模型计算出时间、位置上相对应的各个分潮的振幅和相位，也按照上述形式构建相量。
步骤S2：利用所述经验潮汐模型计算出的调和参数和利用PPP测定技术计算出的调和参数构建样本数据集，并引入机器学习进行网络训练得到目标分潮对应的预测模型。
其中，预测模型是为了寻找经验潮汐模型计算出的调和参数与PPP测定技术计算出的调和参数之间的关系，进而实现其他非GPS观测点位置上M2、N2、O1、Q1分潮的调和参数预测。因此，经验潮汐模型的数据作为自变量，PPP测定技术的数据作为因变量。
本实施例，将利用PPP测定技术得到的M2、N2、O1、Q1分潮的调和参数以及利用经验潮汐模型得到的M2、N2、O1、Q1分潮的调和参数用于构建样本数据集，将同一位置、同一分潮对应的经验潮汐模型计算出的调和参数、PPP测定技术计算出的调和参数作为对应一类分潮的一组样本数据。进一步将基于调和参数构建的相量作为网络的输入、输出参数，最终通过模型训练得到预测模型。
如本实施例中选择基于多项式核函数的最小二乘支持向量机，训练阶段的模型表示为：
式中，
为以PPP测定技术计算出的调和参数构建的分潮
在
GPS观测站位置对应的相量，
是基于多项式核函数的最小二乘支持向量机（Suykens，1999），
是常数偏差，
为以经验潮汐模型计算出的调和参数构建的分潮
在
GPS观测站位置对应的相量。
本实施例中，在空间维度上，由于GPS参考站点是独立观测的，根据海潮分潮的空间变化特征进行相量空间建模，可以消除空间随机误差，预测高精度、高分辨率的分潮位移值；其他可行的实施例中，也可以不选择将相量作为网络输入、输出参数；譬如直接将振幅、位移作为输入、输出参数。
步骤S3：构建潮汐位移改正模型，并利用所述潮汐位移改正模型得到地表潮汐位移。
预测模型可以用于预测非GPS观测站位置的M2、N2、O1、Q1分潮的调和参数/相量，预测结果接近PPP测定技术的测定精度。
因此，本实施例中针对研究区域中M2、N2、O1、Q1分潮位移，利用经验潮汐模型计算出M2、N2、O1、Q1分潮的调和参数及分潮相量后，将其输入到预测模型得到输出的分潮相量，以此计算出M2、N2、O1、Q1分潮位移；针对K2、K1、P1分潮位移，直接利用经验潮汐模型得到；最后按照公式（1）进行相加得到地表潮汐位移，如同潮汐调和公式。应当理解，在研究区域内，GPS观测站位置的M2、N2、O1、Q1分潮位移也可以使用PPP测定技术计算出的数据，本发明对此不进行具体的限定。
实施例2：
本实施例提供了一种基于上述地表潮汐位移获取方法的应用方法，其应用于修正差分干涉图，其包括：利用所述潮汐位移改正模型得到地表潮汐位移，所述地表潮汐位移为海潮负荷位移改正数据；再利用所述地表潮汐位移修正对应差分干涉图中对应像元位置的海潮负荷位移。
实施例3：
本实施例提供一种基于上述地表潮汐位移获取方法的***，其包括：
经验潮汐模型计算模块，利用所述经验潮汐模型计算分潮的调和参数；
PPP测定技术计算模块，基于GPS基准网站的观测数据并利用PPP测定技术计算分潮的调和参数；
预测模型构建模块，利用所述经验潮汐模型计算出的调和参数和利用PPP测定技术计算出的调和参数构建样本数据集，并引入机器学习进行网络训练得到目标分潮对应的预测模型；
潮汐位移改正值计算模块，利用所述潮汐位移改正模型得到地表潮汐位移。
在一些实现方式中，其还包括差分干涉图修正模块；所述差分干涉图修正模块，利用所述地表潮汐位移修正对应差分干涉图中对应像元位置的海潮负荷位移。
应当理解，上述单元模块的具体实现过程参照方法内容，本发明在此不进行具体的赘述，且上述功能模块单元的划分仅仅是一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。同时，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
实施例4：
本实施例提供一种***，其包括：一个或多个处理器；存储了一个或多个计算机程序的存储器。
其中，所述处理器调用所述计算机程序以实现：所述地表潮汐位移获取方法中利用潮汐位移改正模型得到地表潮汐位移。
在一些实现方式中，是将已构建好的潮汐位移改正模型导入存储器中；在另一些实现方式中，潮汐位移改正模型是在***中完成构建的，进而处理器调用所述计算机程序以实现：
将全球海潮模型与区域海潮模型组合构成经验潮汐模型，并利用所述经验潮汐模型计算分潮的调和参数；以及基于GPS基准网站的观测数据并利用PPP测定技术计算分潮的调和参数；其中，所述调和参数为振幅、相位；
利用所述经验潮汐模型计算出的调和参数和利用PPP测定技术计算出的调和参数构建样本数据集，并引入机器学习进行网络训练得到目标分潮对应的预测模型；
基于预测模型以及经验潮汐模型构建潮汐位移改正模型。
所述处理器调用所述计算机程序以实现：
所述差分干涉图修正方法中利用潮汐位移改正模型得到地表潮汐位移，再利用所述地表潮汐位移修正对应差分干涉图中对应像元位置的海潮负荷位移。
各个步骤的具体实现过程请参照前述方法的阐述。
应当理解，在本发明实施例中，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。
实施例5：
本实施例提供一种可读存储介质，其存储了计算机程序。其中，所述计算机程序被处理器调用以实现：所述地表潮汐位移获取方法中利用潮汐位移改正模型得到地表潮汐位移。
在一些实现方式中，是将已构建好的潮汐位移改正模型导入可读存储介质中；在另一些实现方式中，潮汐位移改正模型是在***中完成构建的，进而处理器调用所述计算机程序以实现：
将全球海潮模型与区域海潮模型组合构成经验潮汐模型，并利用所述经验潮汐模型计算分潮的调和参数；以及基于GPS基准网站的观测数据并利用PPP测定技术计算分潮的调和参数；其中，所述调和参数为振幅、相位；
利用所述经验潮汐模型计算出的调和参数和利用PPP测定技术计算出的调和参数构建样本数据集，并引入机器学习进行网络训练得到目标分潮对应的预测模型；
基于预测模型以及经验潮汐模型构建潮汐位移改正模型。
所述计算机程序被处理器调用以实现：
所述差分干涉图修正方法中利用潮汐位移改正模型得到地表潮汐位移，再利用所述地表潮汐位移修正对应差分干涉图中对应像元位置的海潮负荷位移。
各个步骤的具体实现过程请参照前述方法的阐述。
所述可读存储介质为计算机可读存储介质，其可以是前述任一实施例所述的控制器的内部存储单元，例如控制器的硬盘或内存。所述可读存储介质也可以是所述控制器的外部存储设备，例如所述控制器上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述可读存储介质还可以既包括所述控制器的内部存储单元也包括外部存储设备。所述可读存储介质用于存储所述计算机程序以及所述控制器所需的其他程序和数据。所述可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应用实例：
为进一步清晰说明基于多源潮汐数据融合的InSAR固体潮和海洋潮汐负荷位移模型及其在空间大尺度DInSAR中的应用，采用区域覆盖了整个美国西海岸（覆盖范围：31°N-50°N，101°W-130°W）的Sentinel-1影像和区域GPS参考站网的数据。本发明模型不限定于特定SAR影像数据，此处仅举例说明。
实验区域包含了美国西海岸的海洋、平原和高山地区，其中南部加州地区植被覆盖较少，而北部则森林覆盖面积较大。GPS数据采用PBO网络的1038个基准站的数据，时间范围为2014年1月1日至2018年12月31日，共计1826天的观测数据。InSAR数据采用Sentinel-1B SLC的升轨数据，轨道编号为137，成像时刻约为01:59:30 UTC。
过程如下：
③利用基于ECMWF ERA-5气象模型的ICAMS先进大气校正算法（Cao et al,2021）、固体潮和新模型海洋潮汐负荷位移改正数据，逐步对长条带差分干涉图进行改正；并且对大气延迟误差、固体潮和海洋潮汐负荷改正后的长条带差分干涉图进行线性拟合，消除轨道残差的影响。线性拟合过程为现有技术，对其实现过程不进行具体的陈述。根据长条带差分干涉图中各项长波长信号的逐一分析，大气延迟误差是长条带差分干涉图中最重要的影响因素，但是其与差分干涉图的空间尺度无关，而固体潮和海洋潮汐负荷位移会随着差分干涉图空间覆盖范围的增大而增大。因此，固体潮和海洋潮汐负荷效应成为了沿海地区大范围差分干涉测量中的主要物理源信号。经过ICAMS先进大气校正算法的大气延迟误差改正后的长条带差分干涉图中的与地形相关的信号被削弱，差分干涉图的stdDev值降低了38.1%~50.3%。经过大气延迟误差改正后的长条带差分干涉图中趋势信号的空间变化特征与固体潮和海洋潮汐负荷的空间特征相似，对长条带差分干涉图进一步进行固体潮和海洋潮汐负荷位移的改正，使差分干涉图的stdDev值进一步降低了3.9%~19.3%，其大小取决于地表潮汐位移的空间相对变化量。长条带差分干涉图中残余的趋势信号与海洋潮汐负荷的空间特征不一致且趋近于线性面，因此可以认为是残余轨道误差的影响，对其进行双线性拟合，消除了残余轨道误差之后，长条带差分干涉图中趋势信号基本被消除。
本发明的模型能够有效地改正长条带差分干涉测量中的海潮负荷位移，多项式函数拟合的干涉图残余位移趋近于零，其不随海潮负荷位移趋势变化而变化，证明新模型具有较高的空间改正精度。而如果直接采用双线性平面拟合大气延迟误差改正后的原始差分干涉图，其在靠内陆区域与新潮汐模型改正基本一致，但是在海潮负荷位移大于10mm~18mm的近海区域，会产生较大的海潮负荷位移残差。
综上所述，潮汐位移改正模型融合了1038个连续站点组成的GPS基准站网以及FES2014+osu.usawest模型，以经验模型的海洋潮汐负荷位移值作为因变量，采用高阶多项式函数对GPS网站点位置海潮负荷位移进行了空间建模，可以改善复杂海岸线区域的精度。以美国西海岸基于Sentinel-1 SLC影像生成的长条带差分干涉图为分析对象，实验结果表明：（1）根据海潮负荷分潮相量的空间特征，从GPS参考站网PPP坐标时间序列中估计海潮分潮参数，能够有效提高复杂海岸线区域的海潮负荷位移精度，提高的幅度可达11.7%。（2）长条带差分干涉图中的空间大尺度信号主要是大气延迟误差、轨道误差、固体潮和海洋潮汐负荷效应，其中固体潮和海洋潮汐负荷效应的叠加影响能达到77.5mm，采用双线性平面拟合长条带差分干涉图产生的残余潮汐位移可达20.3mm，而采用分幅双线性平面拟合方法产生的误差达7.2mm，且长条带差分干涉图中近海区域相邻影像拼接处误差较大；（3）基于本发明的海潮负荷位移改正模型和固体潮模型，能够有效地消除地表潮汐位移的趋势变化，差分干涉图stdDev值进一步降低了3.9%~19.3%，相比较于传统平面拟合方法，本发明的模型能够有效改善近海地表海潮负荷位移量级较大且空间变化复杂的区域。
需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。
Claims (10)
1.一种基于GPS和经验潮汐模型的地表潮汐位移获取方法，其特征在于：包括以下步骤：
步骤S1：将全球海潮模型与区域海潮模型组合构成经验潮汐模型，并利用所述经验潮汐模型计算分潮的调和参数；以及基于GPS基准网站的观测数据并利用PPP测定技术计算分潮的调和参数；其中，所述调和参数为振幅、相位；
步骤S2：利用所述经验潮汐模型计算出的调和参数和利用PPP测定技术计算出的调和参数构建样本数据集，并引入机器学习进行网络训练得到目标分潮对应的预测模型；
其中，将同一位置、同一分潮对应的经验潮汐模型计算出的调和参数、PPP测定技术计算出的调和参数作为对应一类分潮的一组样本数据；并以经验潮汐模型计算出的调和参数构建网络输入参数或将其作为网络输入参数；以PPP测定技术计算出的调和参数构建网络输出参数或将其作为网络输出参数；
所述目标分潮为：M2、S2、N2、O1、Q1中的部分或全部分潮；
步骤S3：构建潮汐位移改正模型，并利用所述潮汐位移改正模型得到地表潮汐位移；
其中，所述地表潮汐位移改正模型中目标分潮的分潮位移是利用所述预测模型或利用PPP测定技术计算；其他分潮位移采用所述经验潮汐模型计算；再将同一位置上各个分潮位移相加得到对应位置上的地表潮汐位移。
2.根据权利要求1所述的方法，其特征在于：所述目标分潮包括：M2、N2、O1、Q1分潮；所述地表潮汐位移改正模型中采用所述经验潮汐模型计算K2、K1、P1分潮位移，以及利用预测模型或利用PPP测定技术计算M2、N2、O1、Q1分潮位移。
3.根据权利要求1所述的方法，其特征在于：步骤S3中利用所述预测模型计算任一位置H上目标分潮的分潮位移的过程如下：
基于所述经验潮汐模型获取所述位置H下目标分潮的调和参数；
再基于所述调和参数并利用所述预测模型得到网络输出参数，以此计算出目标分潮的分潮位移。
4.根据权利要求1所述的方法，其特征在于：步骤S2中所述网络输入参数是：以经验潮汐模型计算出的调和参数构建的分潮相量；所述网络输出参数是：以PPP测定技术计算出的调和参数构建的分潮相量，分潮相量的表达如下：
式中，
为
位置上分潮
的分潮相量，
为
位置上分潮
的振幅，
为
位置上分潮k的相位。
5.根据权利要求1所述的方法，其特征在于：步骤S2中所述预测模型采用最小二乘支持向量机。
6.一种基于权利要求1-5任一项所述地表潮汐位移获取方法的应用方法，其特征在于：应用于修正差分干涉图，其包括：利用所述潮汐位移改正模型得到地表潮汐位移，所述地表潮汐位移为海潮负荷位移改正数据；
再利用所述地表潮汐位移修正对应差分干涉图中对应像元位置的海潮负荷位移。
7.一种基于权利要求1-5任一项所述方法的***，其特征在于：包括：
经验潮汐模型计算模块，利用所述经验潮汐模型计算分潮的调和参数；
PPP测定技术计算模块，基于GPS基准网站的观测数据并利用PPP测定技术计算分潮的调和参数；
预测模型构建模块，利用所述经验潮汐模型计算出的调和参数和利用PPP测定技术计算出的调和参数构建样本数据集，并引入机器学习进行网络训练得到目标分潮对应的预测模型；
潮汐位移改正值计算模块，利用所述潮汐位移改正模型得到地表潮汐位移。
8.根据权利要求7所述的***，其特征在于：还包括：差分干涉图修正模块；
所述差分干涉图修正模块，利用所述地表潮汐位移修正对应差分干涉图中对应像元位置的海潮负荷位移。
9.一种***，其特征在于：包括：
一个或多个处理器；
存储了一个或多个计算机程序的存储器；
所述处理器调用所述计算机程序以实现：权利要求1中利用潮汐位移改正模型得到地表潮汐位移；
或所述处理器调用所述计算机程序以实现：权利要求6中利用潮汐位移改正模型得到地表潮汐位移，再利用所述地表潮汐位移修正对应差分干涉图中对应像元位置的海潮负荷位移。
10.一种可读存储介质，其特征在于：存储了计算机程序；
所述计算机程序被处理器调用以实现：权利要求1中利用潮汐位移改正模型得到地表潮汐位移；
或者所述计算机程序被处理器调用以实现：权利要求6中利用潮汐位移改正模型得到地表潮汐位移，再利用所述地表潮汐位移修正对应差分干涉图中对应像元位置的海潮负荷位移。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111311438.8A CN113761808B (zh) | 2021-11-08 | 2021-11-08 | 一种地表潮汐位移获取方法及应用方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111311438.8A CN113761808B (zh) | 2021-11-08 | 2021-11-08 | 一种地表潮汐位移获取方法及应用方法和*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113761808A true CN113761808A (zh) | 2021-12-07 |
| CN113761808B CN113761808B (zh) | 2022-02-11 |
Family
ID=78784732
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111311438.8A Active CN113761808B (zh) | 2021-11-08 | 2021-11-08 | 一种地表潮汐位移获取方法及应用方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113761808B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114662348A (zh) * | 2022-05-25 | 2022-06-24 | 山东省科学院海洋仪器仪表研究所 | 一种基于gnss技术建立时变海潮负载位移模型的方法 |
| CN115032670A (zh) * | 2022-08-10 | 2022-09-09 | 自然资源部第一海洋研究所 | 一种纠正gps观测得到的分潮误差的方法及设备 |
| CN115047500A (zh) * | 2022-06-08 | 2022-09-13 | 中南大学 | 基于gps数据的近海地区海潮负荷位移模型精化方法 |
| CN115453587A (zh) * | 2022-08-03 | 2022-12-09 | 武汉大学 | 顾及潮族响应关系的gnss海潮负荷位移反演方法及*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107544075A (zh) * | 2017-08-22 | 2018-01-05 | 中国科学院国家授时中心 | 基于精密单点定位与调和分析估计海潮负荷位移参数方法 |
| CN108491597A (zh) * | 2018-03-09 | 2018-09-04 | 国家***第海洋研究所 | 一种垂向位移负荷潮和自吸负荷潮的推算方法 |
-
2021
- 2021-11-08 CN CN202111311438.8A patent/CN113761808B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107544075A (zh) * | 2017-08-22 | 2018-01-05 | 中国科学院国家授时中心 | 基于精密单点定位与调和分析估计海潮负荷位移参数方法 |
| CN108491597A (zh) * | 2018-03-09 | 2018-09-04 | 国家***第海洋研究所 | 一种垂向位移负荷潮和自吸负荷潮的推算方法 |
Non-Patent Citations (4)
| Title |
|---|
| WEI PENG等: "Spatiotemporal Ocean Tidal Loading in InSAR Measurements Determined by Kinematic PPP Solutions of a Regional GPS Network", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
| 张红强等: "海潮负荷效应对我国及周边IGS站的影响", 《测绘科学》 * |
| 赵红: "海潮负荷效应及利用GPS技术建立海潮负荷位移模型研究", 《中国博士学位论文全文数据库基础科学辑》 * |
| 魏国光等: "利用短期静态PPP结果反演海潮负荷位移", 《大地测量与地球动力学》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114662348A (zh) * | 2022-05-25 | 2022-06-24 | 山东省科学院海洋仪器仪表研究所 | 一种基于gnss技术建立时变海潮负载位移模型的方法 |
| CN115047500A (zh) * | 2022-06-08 | 2022-09-13 | 中南大学 | 基于gps数据的近海地区海潮负荷位移模型精化方法 |
| CN115453587A (zh) * | 2022-08-03 | 2022-12-09 | 武汉大学 | 顾及潮族响应关系的gnss海潮负荷位移反演方法及*** |
| CN115453587B (zh) * | 2022-08-03 | 2024-02-20 | 武汉大学 | 顾及潮族响应关系的gnss海潮负荷位移反演方法及*** |
| CN115032670A (zh) * | 2022-08-10 | 2022-09-09 | 自然资源部第一海洋研究所 | 一种纠正gps观测得到的分潮误差的方法及设备 |
| CN115032670B (zh) * | 2022-08-10 | 2022-11-18 | 自然资源部第一海洋研究所 | 一种纠正gps观测得到的分潮误差的方法及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113761808B (zh) | 2022-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113761808B (zh) | 一种地表潮汐位移获取方法及应用方法和*** | |
| CN114518586B (zh) | 一种基于球谐展开的gnss精密单点定位方法 | |
| Sośnica et al. | Impact of loading displacements on SLR-derived parameters and on the consistency between GNSS and SLR results | |
| CN110058236A (zh) | 一种面向三维地表形变估计的InSAR和GNSS定权方法 | |
| Yuan et al. | Analysis of tidal signals in surface displacement measured by a dense continuous GPS array | |
| CN105182339A (zh) | 一种基于角反射器的边坡形变监测环境影响校正方法 | |
| CN101403790A (zh) | 单频gps接收机的精密单点定位方法 | |
| Männel et al. | Correcting surface loading at the observation level: impact on global GNSS and VLBI station networks | |
| CN103364766A (zh) | 星载InSAR***的外定标方法 | |
| CN106885586A (zh) | 无需专门定标场的卫星雷达高度计绝对定标方法 | |
| Zhu et al. | Quantitative analysis of geophysical sources of common mode component in CMONOC GPS coordinate time series | |
| Kiliçoğlu et al. | Regional gravimetric quasi-geoid model and transformation surface to national height system for Turkey (THG-09) | |
| CN107544075A (zh) | 基于精密单点定位与调和分析估计海潮负荷位移参数方法 | |
| Vergnolle et al. | GPS estimates of ocean tide loading in NW-France: determination of ocean tide loading constituents and comparison with a recent ocean tide model | |
| CN115469308A (zh) | 多轨道InSAR震间形变速率场拼接方法、装置、设备及介质 | |
| CN112462396A (zh) | 一种高采样率导航卫星钟差的实时并行确定方法 | |
| CN101839713B (zh) | 一种基于带时间因子偏置矩阵的卫星影像***误差改正方法 | |
| CN107037428A (zh) | 一种提高星载双站差分InSAR提取形变精度的方法 | |
| CN115980751A (zh) | 一种幂律模型InSAR对流层延迟改正方法 | |
| Arnoso et al. | Verifying the body tide at the Canary Islands using tidal gravimetry observations | |
| CN103760586B (zh) | 一种在gps姿态测量中快速探测与修复周跳的方法 | |
| CN115755103A (zh) | 一种抗差自适应的gnss水汽层析方法 | |
| Sedeek | Ionosphere delay remote sensing during geomagnetic storms over Egypt using GPS phase observations | |
| Zhao et al. | Determination of ocean tide loading displacement by GPS PPP with priori information constraint of NAO99b global ocean tide model | |
| Zhang et al. | Determining fault slip distribution of the Chi-Chi Taiwan earthquake with GPS and InSAR data using triangular dislocation elements |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information |
Inventor after: Peng Wei Inventor after: Xing Xuemin Inventor after: Liu Bin Inventor after: Zhu Jun Inventor after: Zheng Qiong Inventor before: Peng Wei |
|
| CB03 | Change of inventor or designer information |