几种改进的地球自转参数预报方法

摘要

地球的自转运动可以通过极移、日长变化、岁差及章动来描述，上述参数称为地球定向参数(EOP)。EOP包含了丰富的地球动力学信息，在卫星定轨、宇宙飞船跟踪、天文动力学、深空探测等领域有着非常重要的应用。受限于复杂的数据处理过程，空间大地测量技术获取的地球定向参数存在几小时甚至几天的滞后，然而某些实际应用需要实时获取地球定向参数数据，因此地球定向参数的预报研究具有重要的理论和实用价值。本文从回归模型定阶、数据选取、稀疏建模等方面，改进了地球定向参数预报方法，主要工作及成果如下： (1)针对目前部分已有研究中，存在自回归模型定阶方法使用不当的情况，分析是否正确使用定阶准则对AR模型阶数及LS+AR模型预报性能的影响。理论和实验结果表明，不当使用定阶准则将低估最终的模型阶数值，同时大幅降低LS+AR模型对中长期跨度内极移参数变化的预报性能。 (2)针对LS+AR模型中，冗余且陈旧的数据将导致模型过学习的问题，分析研究了数据量对AR模型参数解算及最终预报性能的影响，给出了适合中长期极移参数预报的数据选择范围。实验结果表明，合理地选择AR模型基础数据量是提高极移参数预报精度的有效途径之一。 (3)提出了一种加权最小二乘外推与自回归组合模型，采用EOP产品中对应参数的解算精度作为定权因子，对LS模型中观测向量部分进行定权。实验结果表明，该方法有效改善了1-270天极移参数及1-500天ΔLOD参数预报精度。 (4)针对LS+AR模型中，LS与AR模型分为两步独立计算，只能获取分步最优结果，提出了基于LS+AR模型的一步法，将LS与AR模型合并计算并获取全局最优解。实验结果表明，该方法可提高中长期跨度的ΔLOD参数预报精度。 (5)针对传统模型选择方法只能确定AR模型的最高阶，无法对最高阶以下的项进一步筛选的问题，将稀疏建模方法引入极移参数预报当中，利用LASSO与Elastic Net方法，结合L1范数及L1/L2范数约束，起到平滑及自动筛选模型参数、增强模型参数解算稳定性和提高预报精度的作用。实验结果表明，本文提出的方法在保留有效信息的同时，降低模型维度，具备更好的稳定性及更高的预报性能。 (6)常规极移参数预报方法针对直角坐标分量分别建模预报，研究发现极移参数向量的极坐标分量（即极角和极径）表现出更好的规律性。鉴于此，本文提出了在极坐标系内对极移参数向量进行建模和预报的新思路，确定了极角和极径参数的最佳预报组合模型。实验结果表明，与目前最好的极移参数预报模型之一的LS+AR模型进行比较，本文提出的预报方案达到了较高的预报精度。

目录

声明

致谢

变量注释表

1 绪论

1.1 研究背景（Research Background）

1.2 国内外研究现状（Current Research Status）

1.3 地球自转参数预报中存在的主要问题（Major Problem in Earth Rotation Parameter Prediction ）

1.4 主要研究内容（Main Contents）

1.5 章节安排（Structure of Chapter）

2 地球自转参数预报基础

2.1 地球自转参数的测定(Survey of Earth Rotation Parameters)

2.2 地球自转多种时间尺度上的变化(Earth Rotation Parameters on variations various time scales)

2.3 地球定向参数数据预处理(Pre-processing of EOP Data)

2.4 预报精度评价 (Evaluation Standard of Prediction Accuracy)

2.5 本章小结(Summary)

3 基于LS+AR模型的地球自转参数预报改进方法

3.1 LS+AR预报模型(LS+AR Prediction Model)

3.2 AR 模型阶数确定及存在的问题(Existing Problems of the Determination of AR model Degree)

3.3 AR模型数据选择(Selecting Data for AR Modeling)

3.4 WLS+AR预报模型(A Combination of Weighted Least-Squares and Autoregressive Methods)

3.5 基于 LS+AR 模型的一步法预报(One-step Method Based on LS+AR Model)

3.6本章小结(Summary)

4 稀疏建模在极移参数预报中的应用

4.1 稀疏建模的目的(Purpose of Sparse Modeling)

4.2 LASSO 的定义、性质及解算方法（ Definition, Property and Solution Method of Least Absolute Shrinkage and Selection Operator）

4.3 自适应 LASSO 定义、性质及解算方法 (Definition, Property and Solution Method of Adaptive Least Absolute Shrinkage and Selection Operator)

4.4 Elastic Net的定义、性质及解算方法(Definition, Property and Solution Method of Elastic Net)

4.5 惩罚因子的确定(Determination of the Penalty Factor)

4.6 实验结果及分析(Experiment and Analysis)

4.7 本章小结(Summary)

5 顾及相关性的极移参数预报方法

5.1参数转换(Parameter Conversion)

5.2 预报方案(Prediction Scheme)

5.3 预报模型选择(Prediction Model Selection)

5.4 实验结果及分析(Experiment and Analysis)

5.5本章小结（Summary）

6 结论和展望

6.1主要工作及结论(Major Work and Conclusions)

6.2 创新点(Innovations)

6.3 不足与展望(Limitation and Prospect)

参考文献

作者简历

学位论文数据集