利用端部效应改善的最小二乘外推模型进行UT1-UTC预报

摘要

现有的UT1-UTC预报模式在进行周期项与残差项拟合分离时,通常没有考虑最小二乘拟合序列的端部畸变现象(数据处理中称为端部效应),预报精度难以取得较大改善。针对最小二乘拟合存在的端部畸变现象,首先采用时序分析方法在UT1-UTC序列两端进行数据延拓,形成一个新序列,然后用新序列求解最小二乘外推模型系数,最后再联合最小二乘外推模型及神经网络对UT1-UTC序列进行预测。结果表明,在UT1-UTC序列端部增加延拓数据,可以有效地抑制最小二乘拟合序列的端部畸变,相对于常规的最小二乘外推模型,基于端部效应改善的最小二乘(Edge-effect Corrected Least Squares,ECLS)外推模型的UT1-UTC中长期预报精度改善明显。