顧及共模誤差的陸態網絡GPS觀測數據噪聲分析

張 沛，魏冠軍，雷傳金，高茂寧

顧及共模誤差的陸態網絡GPS觀測數據噪聲分析

張 沛，魏冠軍，雷傳金，高茂寧

（蘭州交通大學 測繪與地理信息學院/地理國情監測技術應用國家地方聯合工程研究中心/甘肅省地理國情監測工程實驗室，蘭州 730070）

為了進一步研究共模誤差的提取對分析全球定位系統（GPS）坐標時間序列最優噪聲模型及速度場的影響，提出一種顧及共模誤差的陸態網絡GPS觀測數據噪聲分析方法：以西北地區70個陸態網絡連續站10 a GPS觀測數據為研究對象，利用主成分分析法剔除殘差坐標時間序列中的共模誤差；然后根據貝葉斯信息準則數值分析法對比分析濾波前后坐標時間序列最優噪聲模型及速度場變化。結果表明，濾波前西北地區整體最優噪聲模型以白噪聲+閃爍噪聲（WN+FN）組合模型為主，濾波后最優噪聲模型仍以WN+FN為主，但部分站點濾波后最優噪聲模型發生了變化；濾波后北（N）、東（E）、天（U）各分量速度不確定度可分別平均降低38.97%、36.36%、48.14%，水平速度場及垂向速度場精度均高于濾波前；主成分分析法（PCA）剔除共模誤差可有效降低白噪聲和有色噪聲量級。

共模誤差；坐標時間序列；主成分分析；貝葉斯信息準則；噪聲模型

0 引言

全球定位系統（global positioning system，GPS）的區域監測網受海潮及大氣負荷、地殼運動、氣候變化等因素的影響，導致連續GPS站坐標時間序列中存在與時空相關的誤差，稱為共模誤差（common mode error，CME）。許多學者對于CME的提取進行了大量研究，常用的濾波方法有堆棧法、主成分分析法（principal component analysis，PCA）、獨立分量分析法（independent component analysis，ICA）、卡爾胡寧-勒夫展開法（Karhunen-Loève expansion，KLE）等方法[1-2]。文獻[3]首次提出利用區域疊加濾波法提取并剔除共模誤差；文獻[4]對安徽省19個連續運行參考站（continuously operating reference stations，CORS）坐標時間序列采用主成分分析法進行空間濾波，濾波后噪聲模型仍以白噪聲+閃爍噪聲為主；文獻[5]對比分析了區域疊加法和主成分分析法，結果表明2種方法濾波效果極為接近，與數據的缺失率有很大關系；文獻[6]對西南極區域24個GPS基準站采用PCA與ICA分析方法進行空間濾波，PCA能夠有效提取區域GPS觀測網中的共模誤差。

西北地區構造運動強烈，氣候復雜多變，陸態網數據為共模誤差對噪聲模型及速度場的影響相關研究提供了保障。本文針對西北地區包括新疆、青海、甘肅、寧夏、陜西（行政區域規劃）5個省份共70個陸態網絡連續站，選取2011—2021年10 a的觀測數據分析研究，對原始數據進行預處理后利用PCA提取210個分量上的共模誤差，對比分析濾波前后共模誤差對坐標時間序列噪聲特性及測站速度的影響。

1 GPS站坐標時間序列獲取

1.1 數據來源

本文所使用的數據來自中國地震局全球衛星導航系統（global navigation satellite system，GNSS）數據產品服務中心平臺(http://www. cgps.ac.cn)。其對數據的解算采用的是加米特（GAMIT）/格洛布克（GLOBK）軟件，并與眾多參數作平差估計來獲得原始坐標時間序列。選取西北地區陸態網絡連續站共70個站進行研究，站點分布如圖1所示。

圖1 西北地區陸態網絡連續站站點分布

1.2 殘差時間序列獲取及預處理

受各種因素的影響，原始時序中難免會存在粗差及缺失值，因此在獲取到原始坐標時間序列后，首先采用最小二乘法來擬合出其中的趨勢項，包括線性趨勢，利用式（1）獲取殘差時間序列；利用四分位距法來探測粗差，剔除奇異值，進而擬合出新的殘差時間序列。GPS坐標時間序列的一般參數模型[7-9]為

由于在PCA濾波前要確保時間序列的均勻采樣，因此需要對殘差坐標時間序列進行缺失值的插補。本文采用基于克里金-卡爾曼濾波器（Kriged Kalman filter，KKF）的動態時空插值方法[10]，其插值效果較為穩定，與連續缺失的比例關系不大；利用KKF動態插值的關鍵問題在于缺失數據隨機出現并保持持續輸出。假設在時刻的KKF觀測方程為

式中：、、分別為觀測數據、觀測數據的空間場和噪聲；、、分別為缺失數據、缺失數據的空間場及噪聲；在空間域上利用KKF觀測方程通過克里金法插值缺失的數據并通過自回歸模型在時間域上對其進行預測，最后將空域插值結果與時域預測結果相結合得到時空預測結果。圖2為QHYS站不同分量插值前后的結果。

2 共模誤差提取

為了提高站點坐標解算精度，必須對坐標時間序列中的共模誤差進行剔除[11]。PCA濾波法是一種線性降維的方法，可以利用較少的數據維度來保證更多的數據特征。本文采用最常見且有效的PCA濾波方法[12]對西北地區各分量殘差時間序列的共模誤差進行提取。假設時間序列規則且連續，測站數為，觀測歷元數為，則構成矩陣

則的協方差陣為

式中：為數據矩陣中的第行第個主成分；表示第個特征向量的第個分量。所得到的主分量按從大到小依次排列，對主分量中有超過一半的對應歸一化響應的值按照大于25%這一標準來提取殘差時間坐標序列中的共模誤差，其中N、E、U3個分量上分別提取的共模誤差如圖3所示。

表1為剔除共模誤差前后殘差時間序列的均方根（root mean square，RMS）變化。由表1可知：采用PCA方法時，剔除共模誤差前，N、E、U 3個分量的殘差坐標時間序列的RMS均值分別為1.871、1.889、7.095 mm；剔除共模誤差后，N、E、U3個分量的殘差坐標時間序列的RMS均值分別為1.222、1.364、4.210 mm。經PCA濾波后，N方向上平均降低了34.7%；E方向上平均降低了27.8%；U方向上平均降低了40.7%。表明PCA濾波能夠很好地提取殘差時序中的共模誤差，從而提高了GPS站的坐標精度，得到了更為干凈的坐標時間序列。

表1 濾波前后RMS均值 mm

3 GPS噪聲特征分析

3.1 貝葉斯信息準則數值分析法

式中：為似然函數；為觀測數量；為模型參數的個數。

3.2 濾波前后最優噪聲模型建立

許多學者在噪聲分析時所選取的模型基本均為白噪聲（white noise, WN）+閃爍噪聲（flicker noise，FN）、WN/隨機游走噪聲（random walk noise，RWN）+FN、WN+一階高斯馬爾可夫噪聲（generalized Gauss Markov noise，GGM）等[16-17]。根據不同區域上具有不同噪聲特性及有色噪聲的確定性，假設坐標時間序列中除白噪聲（WN）外，還包含閃爍噪聲（FN）、隨機游走噪聲（RWN）、一階自回歸噪聲模型（first-order autogressive noise，AR1）、一階高斯馬爾可夫噪聲（GGM）、冪律噪聲（power-law noise，PL）、馬特恩（Matérn，MT）模型[14]、年變化（varying annual，VA）[15]等有色噪聲，選取WN+FN、WN+AR1、WN+FN+RWN、WN+FN+VA、WN+GGM、WN+MT、WN+MT+FN、WN+MT+RWN、WN+PL 等9種組合噪聲模型來分析噪聲分布特性，其結果如圖4所示。由圖4可知：在PCA濾波前，N方向上最優噪聲模型占比最大的為WN+FN組合模型（62.9%），其次為WN+MT組合模型（28.6%）；E方向上最優噪聲模型占比最大的為WN+FN組合模型（40%），其次為WN+GGM組合模型（18.6%）和WN+MT組合模型（17.1%）；U方向上最優噪聲模型占比最大的為WN+FN組合模型（67.1%），其次為WN+MT組合模型（14.3%）。

圖4 濾波前各分量噪聲模型占比

濾波后的噪聲模型占比如圖5所示。由圖5可知，在N、E、U3個不同分量上噪聲模型的占比隨之改變。在N方向上噪聲模型呈多樣性，最優噪聲模型占比最大的為WN+FN組合模型（35.7%），其次為WN+AR1組合模型（31.4%）；E方向上，WN+FN組合模型與WN+AR1組合模型所占比例均為34.3%，占比最大，其次為WN+PL組合模型（24.3%）；U方向上最優噪聲模型占比最大的為WN+FN（71.4%），其次為WN+PL組合模型（12.9%）。

圖5 濾波后各分量噪聲模型占比

通過對比PCA濾波前后坐標時間序列的最優噪聲模型可知，共模誤差會影響坐標時間序列最優噪聲模型的分布特征，而PCA濾波會大幅降低坐標時間序列的白噪聲和閃爍噪聲，尤其是N、E方向，表明共模誤差具有白噪聲和閃爍噪聲的特性。濾波前西北地區70個連續站N、E、U3個分量上的最優噪聲模型為WN+FN組合模型，其次占比最大的噪聲模型為WN+MT；濾波后N、E2個分量上WN+AR1、WN+PL組合模型占比明顯增多，WN+FN、WN+MT組合模型占比則顯著減少，表明在濾波后部分連續站最優噪聲模型發生了改變。共模誤差剔除前西北地區70個測站210個分量上最優噪聲模型以WN+FN為主，剔除共模誤差后最優噪聲模型仍以WN+FN為主PCA濾波后雖然最優噪聲模型未發生改變，但很有效地降低了白噪聲與閃爍噪聲的量級，所以在對GPS坐標時間序列進行噪聲特性分析時，共模誤差的剔除具有必要性。

3.3 濾波前后速度場變化

根據以上研究所得，在顧及有色噪聲的影響下，對比分析了濾波前后N、E、U3個分量在國際地球參考框架（international terrestrial reference frame, ITRF）2014下的速度及其不確定度，并繪制濾波前后經最優噪聲模型改正后的水平方向和垂直方向上的運動速度場，其結果如圖6、圖7、表2～表5所示。

圖6 濾波前后水平速度場

表2 濾波前水平速度及不確定度 mm/a

表3 濾波后水平速度及不確定度 mm/a

由表2可知：在PCA濾波前，E方向最大速率值為48.948 mm/a，最小速率值為24.626 mm/a；N方向最大速率值為22.257 mm/a，最小速率值為-9.814 mm/a。經70個連續站的統計表明，E方向上標準差為4.701 mm，N方向上標準差為2.374 mm。

由表3可知：濾波后E方向最大速率值為48.936 mm/a，最小速率值為24.024 mm/a；N方向最大速率值為22.177 mm/a，最小速率值為 -10.183 mm/a。濾波后E方向上標準差為4.660 mm，N方向上標準差為1.629 mm，濾波后西北地區連續站水平速度場整體精度較高，其速度不確定度在N、E方向上分別平均降低了38.97%、36.36%。

表4 濾波前垂向速度及不確定度 mm/a

表5 濾波后垂向速度及不確定度 mm/a

表4、表5統計結果表明：在垂直方向上，濾波前U方向速率最大值為7.913 mm/a，最小速率值為-4.604 mm/a，統計其標準差為8.133 mm；濾波后速率最大值為6.767 mm/a，最小速率值為-2.130 mm/a，其標準差為8.067 mm。U方向上不確定度平均改善了48.14%。通過PCA濾波剔除共模誤差后，發現垂向速度不確定度明顯有大幅減小，說明垂向提取的共模誤差量級要大于水平方向。剔除共模誤差后西北地區連續站水平速度場及垂向速度場精度均高于濾波前水平速度場和垂向速度場，因此在分析坐標時間序列數據及速度場的解算過程時，剔除坐標時間序列中的共模誤差是十分必要的。

4 結束語

本文選取了西北地區70個陸態網絡連續站10 a的坐標時間序列數據，利用主成分分析法提取了坐標時間序列各分量共模誤差，并采用貝葉斯信息準則分析研究了濾波前后西北地區最優噪聲模型及速度場變化，最終得出以下結論：

1）利用PCA剔除殘差時間序列中的共模誤差，結果表明濾波后殘差時間序列的平均RMS值在N、E、U 3個分量上分別降低了34.7%、27.8%，40.7%，說明PCA濾波能夠很好地提取共模誤差，進而提高GPS站的坐標精度。

2）采用貝葉斯信息準則獲取濾波前后坐標時間序列的最優噪聲模型，結果表明濾波前后西北地區噪聲模型存在多樣性，整體最優噪聲模型仍以WN+FN組合模型為主，但濾波后部分測站最優噪聲模型發生改變，說明共模誤差的剔除可以有效降低白噪聲與閃爍噪聲的參數估值，尤其在N、E方向上最為明顯。

3）在顧及最優噪聲模型的情況下，對比分析濾波前后西北地區速度場變化，結果顯示濾波后水平速度場及垂向速度場精度均高于濾波前，N、E、U各分量速度不確定度在濾波后分別平均減少了38.97%、36.36%、48.14%，表明在分析坐標時間序列數據及速度場解算過程時，共模誤差的剔除是非常有必要的。

研究結果可為西北地區高精度坐標框架的研究以及地殼運動規律等研究提供參考。

[1] NIKOLAIDIS R. Observation of geodetic and seismic deformation with the global positioning system[EB/OL]. [2022-02-18]. http: //sopac. ucsd. edu/input/processing/pubs/nikoThesis. pdf.

[2] 姚宜斌, 施闖. IGS測站的非線性變化研究[J]. 武漢大學學報(信息科學版), 2007, 32(5): 423-426.

[3] WDOWINSKI S, BOCK Y, ZHANG J, et al. Southern California permanent GPS geodetic array: spatial filtering of daily positions for estimating coseismic and postseismic displacements induced by the 1992 landers earthquake[J]. Journal of Geophysical Research: Solid Earth, 1997, 102(B8): 18057-18070.

[4] 陶庭葉, 何蓉, 丁鑫, 等. 安徽省CORS坐標時間序列共模誤差與噪聲分析[J]. 測繪科學, 2022, 47(1): 49-58, 65.

[5] 占偉, 李經緯. 云南GNSS時間序列共模分量提取分析[J]. 地震研究, 2021, 44(1): 56-63.

[6] 王朝陽, 邢喆, 張峰, 等. 顧及共模誤差的西南極GPS坐標時間序列噪聲分析[J]. 大地測量與地球動力學, 2022, 42(2): 132-138.

[7] 段舉舉, 沈云中. 基于方差分量估計的GPS/GLONASS組合點定位[J]. 測繪通報, 2011(4): 4-6.

[8] 張廣漢, 余學祥, 嚴超, 等. 合理權比對GPS/BDS偽距單點定位結果的影響分析[J]. 全球定位系統, 2017, 42(3): 48-53.

[9] 蔣欠欠, 郭英, 于杰. BDS/GPS組合系統在不同隨機模型下的精度分析[J]. 海洋測繪, 2019, 39(1): 70-74.

[10] SHUMWAY R H, STOFFER D S. An apprpach to time series smoothing and forecasting using the EM algorithm[J]. Journal of Time Series Analysis, 1982, 3(4): 253-264.

[11] 王健, 許安安, 周伯燁. 顧及共模誤差的大區域GPS網坐標時間序列噪聲分析[J]. 測繪通報, 2018(4): 6-9, 56.

[12] 殷海濤, 甘衛軍, 熊永良, 等. PCA空間濾波在高頻GPS定位中的應用研究[J]. 武漢大學學報(信息科學版), 2011, 36(7): 825-829.

[13] BOS M S, FERNANDES R M S, WILLIAMS S D P, et al. Fast error analysis of continuous GNSS observations with missing data[J]. Journal of Geodesy, 2013, 87(4): 351-360.

[14] 成誠, 穆慧敏, 平旗, 等. 山西省GNSS基準站時間序列噪聲特征分析[J]. 山西地震, 2021(4): 38-42, 53.

[15] 任安康, 徐克科, 邵振華. GEONET網絡GPS坐標時間序列噪聲模型建立與分析[J]. 導航定位學報, 2022, 10(2): 141-151.

[16] LILLY J M, SYKULSKI A M, EARLY J J, et al. Fractional Brownian motion, the Matérn process, and stochastic modeling of turbulent dispersion[J]. Nonlinear Processes in Geophysics, 2017, 24(3): 481-514.

[17] KLOS A, BOS M S, FERNANDES R, et al. Noise-dependent adaption of the Wiener filter for the GPS position time series[J]. Mathematical Geosciences, 2019, 51(1): 53-73.

Noise analysis of GPS observation data in land-based network considering common-mode errors

ZHANG Pei, WEI Guangjun, LEI Chuanjin, GAO Maoning

（Faculty of Geomatics, Lanzhou Jiaotong University/National-Local Joint Engineering Research Center of Technologies and Applications for National Geographic State Monitoring/Gansu Provincial Engineering Laboratory for National Geographic State Monitoring, Lanzhou, Gansu 730070, China）

In order to further study on the influence of the extraction of common-mode errors on the analysis of the optimal noise model and velocity field of global positioning system (GPS) coordinate time series, the paper proposed a noise analysis method of GPS observation data in land-based network considering common-mode errors: taking the GPS observation data of 70 land-based network continuous stations during 10 years in Northwest China as the research object, the common-mode error in the residual coordinate time series was eliminated by principal component analysis method; and the changes of optimal noise model and velocity field of the coordinate time series before and after filtering were comparatively analyzed according to the numerical analysis method of Bayesian information criterion. Results showed that the overall optimal noise model in Northwest China before filtering would be mainly based on the white noise (WN) + flicker noise (FN) combination model, and the optimal noise model after filtering would be still based on WN+FN, while the optimal noise model of some sites could have changed after filtering; moreover, the speed uncertainty of each component of N, E and U after filtering could be reduced by an average of 38.97%, 36.36% and 48.14%, respectively, and the accuracy of horizontal velocity field and vertical velocity field would be both higher than that before filtering; in general, the principal component analysis could effectively reduce the levels of white noise and colored noise by excluding common mode errors.

common-mode error; coordinate time series; principal component analysis; Bayesian information criterion; noise model

P228

A

2095-4999(2023)02-0159-07

張沛, 魏冠軍, 雷傳金, 等. 顧及共模誤差的陸態網絡GPS觀測數據噪聲分析[J]. 導航定位學報, 2023, 11(2): 159-165.（ZHANG Pei, WEI Guangjun, LEI Chuanjin, et al. Noise analysis of GPS observation data in land-based network considering common-mode errors[J]. Journal of Navigation and Positioning, 2023, 11(2): 159-165.）DOI:10.16547/j.cnki.10-1096.20230219.

2022-05-12

國家自然科學基金項目（41964008）；蘭州交通大學優秀平臺項目（201806）。

張沛（1996—），男，甘肅平涼人，碩士研究生，研究方向為GNSS數據處理及理論。

魏冠軍（1976—），男，甘肅平涼人，博士，教授，研究方向為變形監測與測量數據處理。