基于统计信息的时变重力信号提取

《基于统计信息的时变重力信号提取》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、国内图书分类号：P228密级：公开国际图书分类号：528西南交通大学研究生学位论文基于统计信息的时变重力信号提取年级二零一五级姓名王陈燕申请学位级别工学硕士专业测绘科学与技术指导老师范东明教授2018年5月ClassifiedIndex:P228U.D.C:528SouthwestJiaotongUniversityMasterDegreeThesisExtractingTime-varyingGravitySignalsBasedonStatisticalInformationGrade:2015Candidate:WangChenyanAcademicDegreeAppliedfo

2、r:Master’sdegreeSpecialty:SurveyingandMappingSupervisor:Prof.FanDongmingMay,2018西南交通大学硕士研究生学位论文第I页摘要利用GRACE卫星提供的数据，可以反演得到全球范围内地球质量变化。其计算得到的结果在某种程度上可以说是一种多维数据，可以同时反映全球质量变化的空间分布和时间序列，为了将此类数据的变化信息进行合理的提取与分析，需要一个合理的信号分解过程。本文介绍了PCA及其一般扩展以及ICA，讨论了这几种分解技术之间的关系，并与传统的多元线性回归方法进行比较。重点利用ICA等统计分解方法在GRACE数据处理

3、中的应用。利用模拟实验比较了多元线性回归方法与信号分解方法的优缺点。前者依赖先验信息，但在拥有正确先验信息的前提下，该方法可以得到比较准确的结果，适合用于定量分析。而后者不需要任何先验信息，可以从原始数据中提取到主要的特征，但也可能会得到一些无法解释的信息，而且单个模式只是反映了整体信息的一部分，不太利于定量分析，更适用于定性的分析。最好将两者结合起来，扬长避短，分别利用两种方法进行定性和定量分析。对基于主成分分析的去相关滤波方法进行了一定的改进，即将PCA方法与传统的去相关滤波方法相结合。利用真实数据和模拟数据进行验证，得出结论，改进方法继承了PCA滤波方法与传统滤波方法的优点，在保

4、留最真实信号的同时，尽可能的削弱南北条带误差的影响。利用RPCA方法对强震的PCA结果进行改善，以2004年12月的苏门答腊大地震为例，相较于PCA方法，基于时间序列旋转的RPCA方法能够更好地消除了季节性陆地水变化的影响，可以更加有效地从GRACE观测结果中获得地震重力变化信号。利用ICA对中国西南部和中南半岛地区的等效水高进行分解，探测到了2004年12月的苏门答腊大地震以及中国云贵高原的干旱。GRACE的IC与SOI、PDO和DMI气象指数的相关性系数表明，2010年中国西南的大规模干旱可能与厄尔尼诺现象有关。在中国西南部和中南半岛地区，GRACE和再分析数据计算得到的TWF具有

5、一致性。三种数据TWF的相位在青藏高原有一定的区别，这主要是因为青藏高原地区所能采集的数据比较少以及两种再分析数据的适用性有所差异。逐步多元线性回归的结果表明，长江上游主要受到PDO的影响，长江中下游主要受到SOI的影响，而云贵高原、湄公河流域和伊洛瓦底江-萨尔温江则受到DMI和PDO的共同影响。长江流域特别是上游地区的TWS增加与青藏高原的冰川消融有关，TWF的持续减少造成了长江上游2006年和2011年干旱事件。关键词：GRACE；统计信息；滤波方法；地震；陆地水西南交通大学硕士研究生学位论文第II页AbstractUsingthedataprovidedbyGraceSatell

6、ite,wecanreversethechangeofEarthmassintheworld.TheresultsofGRACEcanbesaidtobeakindofmultidimensionaldata,whichcanreflectthespatialdistributionandtimeseriesofglobalweightchangeatthesametime,inordertoextractandanalyzethechangeinformationofthiskindofdatarationally,areasonablesignaldecompositionproc

7、essisneeded.ThispaperintroducesPCAanditsgeneralextensionaswellasICA,anddiscussestherelationshipbetweenthesedecompositiontechniques.ThispaperfocusesontheapplicationofICAandotherstatisticaldecompositionmethodsinGRACEdataproces