关键词:
卫星重力梯度
粗差探测
K-Means均值聚类算法
卷积双向长短时记忆神经网络
潮汐因子
摘要:
地球重力场是揭示地球内部结构及性质的重要工具。地球重力场模型是利用重力场多源观测数据构建的重力等位面,目前广泛使用的EGM2008全球重力场模型在构建时采用了陆地重力、卫星重力和卫星测高等多源数据,在我国大陆地区的整体精度约10 m Gal全球重力场模型同样采用多源数据。随着空间技术的发展,特别是重力场和稳态海洋环流探测卫星(GOCE,gravity field and steady-state ocean circulation explorer)的加入,重力场的测定精度有了很大的提高。GOCE卫星的引力梯度测量涉及到多种技术,包括卫星定姿、星间链路测量、轨道计算等,重力观测由于垂直大地测量基准不同、经纬度位置错误、地球动力效应和重力仪漂移等因素,误差会受到影响,这些误差往往会随着距离的推移而累积。含有色噪声的重力梯度数据的预处理是GOCE卫星数据科学处理的重要环节,卫星重力梯度数据应使用适当的粗差探测和剔除进行预处理,以实现观测数据科学处理的可靠性。其主要目标是消除或压制错误数据对正常数据的影响。本文利用模拟数据设计实验,验证算法性能,试图丰富目前粗差探测的判断手段。使用重力仪器测定的连续重力台站观测数据,仪器运行过程中的部件故障、地震信号和突然停电可能会导致异常信号(如尖峰、跳跃)或连续观测中的不连续性,从而偏离真实值。这些扰动可以影响潮汐和非潮汐结果。为了消除这些干扰,有必要对原始观测数据进行预处理,有效的预处理可以大大提高重力潮汐观测的稳定性。因此,本文基于卫星重力观测数据和连续重力台站数据,采用K-Means均值聚类、长短时记忆(LSTM,Long Short-Term Memory)神经网络训练方法训练卫星重力数据粗差探测方法,验证机器学习算法应用的有效性和可靠性。提出基于卷积双向长短时记忆(CNN-Bi-LSTM,CNN-Bi-Directional Long Short-Term Memory)神经网络算法的连续重力台站观测数据异常值识别,并通过潮汐调和分析,分析潮汐因子的精度和特征。本文的研究内容包括:(1)提出了基于K-Means均值聚类的粗差探测方法,评估算法的有效性和可靠性。实验结果表明,K-Means均值聚类总体的粗差探测结果为88.17%,实现了对时间有较高要求的大规模数据集聚类。(2)使用长短记忆神经网络对卫星重力数据进行粗差检测的方法和应用。网络模型经过训练后,引入评价指标来测试粗差检测方法的效率和准确性。尽管在数据网格上训练该方法很耗时,但将该模型应用于测试集只需要4.26秒,在收敛速度和精度方面具有明显的优势。(3)卷积双向长短时间记忆神经网络用于处理连续重力站数据的异常值。将测试网络应用于实际连续重力数据,可以通过对处理后的数据进行潮汐调和分析,探讨影响潮汐校正精度的因素。理论模型和真实数据的验证表明,深度学习模型可以比传统的人工异常检测方法更准确、更有效地检测和预测异常情况,从而筛选出高质量的连续重力数据,获得高精度的潮汐因子。