地球定向参数高精度预报方法研究

《地球定向参数高精度预报方法研究》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、ByXueqingXUSupervisors：Prof．YonghongZHOUProf．XinhaoLIAOADissert：ationSubmittedtoGraduateUniversityofChineseAcademyofSciencesInpartialfulfillmentoftherequirementForthedegreeofDoctorofPhilosophyShanghaiAstronomicalObservatory,UniversityofChineseAcademyofSciencesNovember,

2、2012致谢这篇论文总结了我研究生阶段的探究经历及科研工作成果，包含着我在上海天文台学习和生活的点点滴滴，凝集着师长、同学给予我的无数耐心指导和热情帮助。在这几年的研究生学习生活中，上海天文台给我提供了良好的学习和生活环境，各位老师的严谨治学态度为我营造了一种良好的科学氛围。在这里，我收获了丰富的理论和实践知识，明确了以后的学习和发展方向，在论文即将付梓之际，我要对帮助过我的人一一表达谢意。特别感谢我的导师周永宏研究员。首先，周老师是一位特别负责任的老师，由于我本科专业并非天文，研究生起步阶段全新的学习和科研内容让我有点跟不上步伐，

3、周老师针对我缺乏天文知识的背景和已有的学习兴趣制定了研究方向，让我的优势得以发挥。其次，周老师是一位非常耐心仔细的老师，记得刚开始着手科研工作时，周老师要求我每周对自己的工作做一次总结汇报，并形成文档保存，内容可以不多，但是每次都要有进步，正是这看似简单的安排培养了我良好的学习习惯，为日后的资料查找以及文章撰写提供了极大的便利。最后，周老师还是一位极其开明的老师，每次跟周老师讨论问题时，他总是先问我的意见，耐心听完以后再给予评价指导，鼓励我开拓思维、积极创新。非常感谢我的导师廖新浩研究员。在科研工作中，廖老师思维敏锐、学识渊博，对待

4、科研一丝不苟的作风一直是我学习的榜样，每次小组讨论会中，廖老师都以独到的眼光指出问题关键，并给出新颖的解决方案。在生活中，廖老师亲切和蔼，关心组内学生的学习生活状态，尽力改善我们的科研条件，给我提供学习上的一切便利。还要感谢组里黄乘利老师，黄老师是一位非常有活力的老师，经常与我们学生打成一片，特别是他一贯简朴的生活习惯，在这个物质极为丰富的年代显得尤为珍贵。还有李力刚老师，他活跃的思维、生动的授课方式给我留下了深刻印象。还有廖德春老师，虽然已经退休，却依然坚守科研岗位，他有着丰富的科研经验，积累了丰硕的研究成果。地球定向参数高精度预

5、报方法研究衷心感谢郑大伟、董大南、赵丰、黄碱、赵铭、陈剑利、胡小工老师等，他们开授的一系列课程和学术讲座给我打下了天文知识基础，极大地丰富了我的科学内涵。特别是郑大伟老师，不厌其烦地回复我的问题，并多次电话和邮件指导我关于门限自回归模型(TAR)的学习理解，让我能够在比较短的时间内编写程序实现这样复杂的预报方法，再次感谢郑老师的耐心解答。作者对提供地球定向参数数据和潮汐改正模型的国际地球自转和参考系服务(IERS)表示感谢。本文引用了数位学者的研究文献，感谢各位学者研究成果的帮助和启发，并对本文给予修改意见的老师同学表示感谢。衷心地

6、感谢人教处马金、王慧、储怡老师，科技处商琳琳、周凌瑜、朱达一、刘成亮老师，计算中心陈肖、姚大忠、吴茂春老师以及其他部门的各位老师，在我研究生学习生活期间提供的帮助和便利。最后还要感谢和我共度研究生生活的同学，他们是韩婷婷、苏晓莉、刘鹂、刘敏、李培佳、邢楠、曹建峰、孔大力、高广辉、何仕强等。感谢莫斯科大学LeonidZotov博士，在上海天文台访问期间的有益讨论和帮助。还有我的家人和朋友，特别是我先生詹武魁，你们耐心的倾听、无私的付出和一如既往的支持，是我前进的动力，你们朴素的爱是给予我最珍贵的礼物。在论文脱稿之际，再次向我的老师、同

7、学、家人和朋友表示深深的谢意和美好的祝愿!许雪晴2012年10月摘要地球自转表征了固体地球与大气、海洋、地幔和地核在各种时空尺度上的藕合过程，地球的自转运动可以用地球定向参数(EOP)(主要包括极移两个分量PMX、尸柳和日长变化ALOD)来描述。EOP是地球参考系和天球参考系之间的转换参数，在深空探测、卫星精密定轨和天文地球动力学研究等领域都有重要应用。由于复杂的数据处理过程，空间大地测量技术获取的EOP存在几天至两个星期的延迟。现代空间导航等对EOP预报值的需求日益增长，使得寻求高精度EOP预报方法成为一项需要深入研究的课题。本文

8、主要从以下几个方面展开，探讨提高EOP预报精度的方法。(1)分析基础预报序列的长度对EOP预报精度的影响，并应用线性的自回归(AR)模型和非线性的人工神经网络(舢州)模型对EOP残差序列作预报，结合最小二乘(LS)外推EOP周期项数据