地球定向參數的預報與應用研究

闞起源

引言：地球定向參數預報、地球定向參數應用等內容受激發源影響極易導致研究準確性降低，進而影響相關框架轉換效果，并且，數據處理難度會逐漸加大，最終會延遲地球定向參數獲取時間.從中能夠看出，本文這一論題具有探究必要性和重要性，具體探究如下.

1 地球定向參數研究必要性

我國研究地球定向參數的時間相對較早，實際研究的過程中構建了時間參考系統，以便為論題分析提供支持.由于學者研究視域不斷拓展、研究理論內容不斷豐富，總結得知地球自轉變化有規律可循，這為地球定向參數研究奠定了良好基礎.以往研究設備主要為光學儀器，但該設備實際應用的過程中易受其他因素影響，進而會大大降低中觀測準確性.后來相關研究技術不斷升級，應用GPS技術、VLBI技術、DORIS技術研究地球定向參數，能夠大大提高測量準確性，測量精度是以往的十倍，這意味著研究學者能夠獲得豐富的地球動力學信息，能為關聯問題分析提供便利，有利于加快地球動力學發展步伐.

針對地球定向參數精確值深入探究，除了能夠促進地球動力學發展，還能擴大其應用范圍，我國航空航天事業定位準確性會大大提高.由于地球定向參數解算程序十分繁瑣，并且數值獲取時間較長，因此，應以地球定向參數預測為基礎，掌握三天內定向參數數值，同時，建立預測模型，盡最大可能提高地球定向參數預測準確性.

2 地球定向參數研究進展及參數測定

2.1 研究進展

地球定向參數研究進展主要從兩方面來分析，第一方面即是極移研究進展，第二方面即日長研究進展，其中，極移研究進展最早由德國學者提出，提出時間于十九世紀八十年代，研究可知，極移周期項包括長周期項、季節性擺動、線性趨勢項、錢德勒擺動、高頻變化項.極移激發源周期分量從時間尺度、季節性擺動、長期趨勢、高頻變化等方面來分析，各個方面依次對應的內容主要有可能的激發源；大氣、地下水、海洋物質在分布；地殼反彈、冰川融化；大氣、潮汐變化.日長研究進展研究內容細分為日長的長期變化、周期性變化、不規則變化、激發源等，其中，潮汐摩擦導致日長周期延長；周期性變化內容具體指的短周期變化、季節變化、周日變化；不規則變化具體指的是年際變化、高頻不規則變化、十年尺度變化、年代際變化等.

2.2 參數測定

地球定向參數測定的過程中，既要選用適合的觀測手段，又要合理排列地球定向參數數據序列.

地球定向參數測量技術更新換代的過程即大地測量技術發展的過程，最早應用的技術即甚長基線干涉技術，這一技術最早應用于天文學，在空間測量方面的精度相對較高，并且技術穩定性較強，甚長基線干涉技術實際應用時需要建立地球參考框架，在區域地殼形變監測、地球定向參數確定方面提供了技術支持.之后激光測衛技術被成功研制，該技術具有準確定位、高精度等優勢，激光測衛技術適用于板塊運動監測、自轉參數確定.全球定位系統成功研制后，該系統通過發揮高精度、全天候等優勢被廣泛應用，上世紀九十年代成功建立全球定位系統連續觀測網，并相繼提供種類多樣的數據產品.相對比而言，全球定位系統能夠有效彌補上述兩種技術存在的不足，預測可知，全球定位系統未來應用前景十分廣闊.此外，DORIS技術應用監測時間相對較短，現有觀測站接近60個，DORIS技術獲取的數據信息利用IDS高效處理、具體分析，分析、處理后的數據在地球定向參數解算中發揮了重要作用[1].

國際地球自轉服務組織針對地球定向參數變化時間序列權威發布，序列來源于數據綜合結算操作，相對而言，序列準確性較高，序列內容包括IERSEOPC01、IERSEOPC04、IERSEOPC02/03.現 如今，模型構建、模型分析主要以EOPC04序列為基礎，并據此衡量模型預測效果.

3 地球定向參數的預報及應用分析

3.1 時間序列法

3.1.1 數據處理

數據處理的過程中，利用IERSEOPC04這一序列分析定向參數值，通過極移時間完成預測.從日長角度來講，應對數據預處理，處理過程功能中選用適合的計算方法，按照扣除固體潮、預測日長變化序列等步驟完成數據預處理任務.數據預處理工作執行時，參照IERS規范，應用日長影響計算公式，針對未知序列準確取值，通過公式代入求得固體地球帶諧潮項值，并對比分析固體地球帶諧潮項對日長的影響.大部分預測模型針對地球定向參數預測時首選組合預測方式，步驟主要為：利用最小二乘法完成擬合處理，擬合對象主要為地球定向參數序列周期項或者趨勢項，之后進行外推預測；應用擬合殘差法深層次預測，獲取預測結果，擬合殘差法能夠直觀顯示中長期變化情況，能為長期預測奠定良好基礎.由于不同時間段的精度預測要求存在差異，再加上，部分參數受外界因素影響較大，最終會出現異常現象，導致地球定向參數預測準確性大大降低[2].

3.1.2 構建RLS+ARIMA模型

ARMA模型構建：上世紀七十年代，西方學者通過模型組合的方式進行地球定向參數預測分析，參與組合的方式主要有回歸模型、自回歸滑動平均模型、移動平均模型.現如今，RLS+ARIMA模型構建后主要用于分析日長預報，對此，研究人員持差異化分析觀點，部分研究人員持不同分析觀點，其中，ARMA模型、AR模型均發揮過預測作用.相對比而言，本文介紹的RLS+ARIMA模型在關聯性分析方面有重要意義.需要特別說明的是，ARMA模型能夠滿足序列平穩性需要，并且序列周期性特征明顯，此時數據預處理的常用方法為差分法，該方法應用后構建完成的模型被稱為ARIMA模型.在此期間，應在觀察數據變化趨勢圖的基礎上，依據數據完成函數判斷任務.

模型識別：在模型分類、模型種類總結的基礎上，總結時間序列特點，同時，對比分析時間序列以及模型序列在特點方面的異同，最終優選適合的模型.在這一過程中，需要應用自相關函數公式、偏相關函數公式完成不同模型數據數據特征的對比[3].

模型定階：該環節參照FPE準則、AIC準則、BIC準則檢驗模型適用性.

模型參數估計：該環節應用的估計方法主要為Yule-Walker方法，其中，ARMA模型參數估計過程較繁瑣，具體估計時，首先掌握該模型截尾特點，然后有序完成自回歸參數估計工作，最后獲取滑動平均參數，在這一過程中應用的函數主要有自協方差函數.

計算及分析：為避免預算量過大，適當減少模型階數，同時，應用歷元殘差數據完成對獲取數據結果的檢驗，最終獲取極移坐標.針對模型合理性分析時，對比AR模型以及ARIMA模型，對比分析后選用相對合理的模型.分析可知，ARIMA模型實際應用的過程中，存在誤差快速增長這一不足，因此，應探索有效措施予以處理.

3.2 神經網絡法

3.2.1 神經網絡概述

所謂神經網絡法，指的是人工神經網絡，該方法在信息分布式處理、存儲等方面起到了重要作用，該方法優勢主要表現為：魯棒性、容錯性，在非線性問題處理方面取得了具有實踐指導作用的研究結果.神經網絡法研究經歷了不同階段，其中，BP算法應用意味著神經網絡正式用于實踐，并且相關學者建立了神經網絡模型[4].

神經網絡細分不同類型，其中，徑向基神經網絡具有良好的局部優化性能，并且結構簡單、學習用時短，它以徑向基函數為基礎，有步驟完成輸入矢量變換，同時，在高維空間中完成數據交換，高效解決線性劃分問題.徑向基神經網絡組成部分包括三方面，第一方面即輸入層，第二方面即隱含層，第三方面即輸出層，網絡結果如圖1所示.徑向基神經網絡借助高斯函數完成激勵任務，徑向基神經網絡學習的過程中，應用到的參數主要有輸出單元權值、RBF中心、方差.學習階段細分為自主學習、監督學習，前者需要確定基函數方差，后者需要確定權值.

圖1 徑向基神經網絡結構

3.2.2 EOP預測

總結已有分析內容可知，地球定向參數呈現非線性特點，神經網絡方法顯示較強的非線性逼近能力，與此同時，專業學者針對神經網絡高度關注，并完成了定向參數的全面預測，預測內容包括地球定向參數、日長參數等.預測期間首先應用最小二乘法，然后應用神經網絡法，以此提高神經網絡預報分析效率.

EOP預測的過程中，應首先確定輸入樣本長度，合理設置輸入、輸出模式，這對神經網絡預測效果有重要影響，如果輸入樣本長度過長，那么神經網絡訓練面臨較大壓力，適宜長度為10.然后，以RBF神經網絡二次建模為基礎完成EOP預測，借助神經網絡完成對極移以及日長參數兩方面的預報，與此同時，全面總結所獲取觀測值特點，利用模型完成特定時間段的預報，并記錄預測殘差，接下來進行二次預報，疊加第一次和第二次的預測結果，得到最終預測結果（如表1所示），最后，構建神經網絡ARMA組合預測模型，遵循神經網絡作函數模型構建、預測殘差分析、預測殘差隨機模型構建這一原則，隨著預測時間的延長，神經網絡ARMA組合預測模型在預測誤差補償方面的優勢逐漸突出，誤差補償精度相應提高[5].

表11 ms——5ms日長預測精度兩次預測結果表

4 結論

綜上所述，針對“地球定向參數的預報與應用”這一論題展開探究時，大致了解論題分析的必要性，并掌握地球定向參數研究進展，以及參數測定理論內容，應用時間序列法、神經網絡法完成地球定向參數預報與應用分析任務.分析可知，短時預測無論是應用神經網絡時間序列組合預測模型，還是應用RBF神經網絡二次建模，均能獲取的良好的預測效果.日長預測方法有待進一步分析，我國在日長預測方法探究方面有較大進步空間.