GPS变形监测数据处理方法研究

2022-12-14

在G P S监测系统中, 数据处理的主要工作是观测资料的解算, 如G P S差分求解、G P S监测网平差等, 以提供高精度、高可靠性的相对位置信息, 而数据分析的重点则包括变形基准的确定, 正确区分变形与误差, 提取变形特征, 并解释其变形成因。

根据变形体的研究范围, 可将变形监测研究对象分为全球性变形研究、区域性变形研究、工程和局部性变形研究3类, 本文主要是对后两类变形体进行研究。

根据被监测对象的特点, 存在3种不同的作业和监测模式:周期性重复测量、固定连续G P S测站阵列和实时动态监测。其中, 周期性重复监测是最常用的一种监测模式, 一般采用静态相对定位方式进行数据处理。每一期观测值相当于进行一次相对定位, 通过计算两期间监测点的位置变化 (坐标差) 来测定变形量。对于小范围内的监测网, 有时也采用快速静态定位方式进行数据处理。固定连续G P S测站阵列是在一些重点或关键地区 (如滑坡危险地段) 或敏感工程建筑物 (如大坝) 布设永久G P S监测站, 在这些测站上进行连续观测, 数据传输到数据处理中心进行处理。随着G P S技术在变形监测中的广泛应用, 数据处理的方法也日趋多样化。如:静态数据处理方法;单历元解算方法:动态卡尔曼滤波方法;谱分析方法:小波变换方法;神经网络方法等。各种方法的基本思想如下。

1 静态数据处理方法

该方法以每一期观测值作为一次相对定位, 通过计算两期之间监测点的位置变化 (坐标差) 来测定变形量。其数据处理流程一般是:各期分别采用静态相对定位方式获得基线向量;然后进行网平差, 并对观测质量进行评价和分析, 以获得监测点的坐标;最后, 根据监测点的两期坐标差采用统计检验方法确定该坐标差是否是变形量。

在这种方法中, 监测网一般由基准点和监测点构成。基准点用于建立监测网的基准, 即保证变形分析在同一基准下进行。监测网首期坐标作为变形分析的基础。在这种数据处理方式中, 存在两个问题需要解决:其一是如何采取有效的方法正确剔除观测值中的粗差;其二是如何判断基准点是否稳定, 如果不稳定, 如何采用有效的方法使变形信息不受基准点变化的影响。

2 单历元解算方法

对于动态定位, 近年来国内外专家主要研究了整周模糊度的在航求解方法 (O T F) , 并提出了多种O T F方法。在O T F方法中, 周跳的探测与修复是一个重要的问题。为了从根本上解决该问题, 国内外一些学者提出了单历元解算模糊度的方法。

1993年Cross等提出了单历元快速模糊度解算的初始设想, 随后C o r b e t等对这一设想进行了发展。该方法的基本思想是:首先确定G P S点的近似坐标 (要求与精确值之差不超过2m) ;第二, 选择PODP值最小、几何图形最优的4颗卫星为基本卫星星座, 采用L 1载波建立3个双差方程。用近似坐标解算3个双差模糊度的实数解, 并按四舍五入方法固定为整数, 取±5周的变化构成搜索空间 (共1331组模糊度) 。对所有的模糊度组合, 利用双差方程计算出相应的坐标:第三。根据计算的坐标, 利用所有的测站、所有卫星的L 1, L 2观测值计算模糊度函数值。将模糊度函数值大于一定数值的模糊度筛选出来, 构建新的模糊度搜索空间;第四, 在新的模糊度搜索空间中, 根据双差方程, 采用最小二乘估计方法计算残差平方和, 然后采用F检验确定正确的模糊度。实验表明, 对于小于1 k m的基线, 单历元正确解算模糊度的成功率为1 0 0%, 但当基线较长时成功率有所下降。

3 动态卡尔曼滤波方法

对于局部地区周期性重复测量的G P S监测网, 若将监测点看作是动态变化的, 则可以采用Kalman (卡尔曼) 滤波方法进行数据处理。

Kalman (卡尔曼) 滤波方法的关键思想是: (1) 状态变量的引入: (2) 建立状态方程和观测方程: (3) 用射影方法求最优滤波器。K a l m a n滤波器给出了一套容易在计算机上实时实现的最优递推滤波算法, 适合处理多变量系统和时间系统, 适合处理非平稳随机过程。

但是卡尔曼滤波理论对动态系统提出了严格的要求, 即要求系统噪声和观测噪声为零均值白噪声。这一条件在实践中往往难以满足, 致使滤波结果失真。在G P S监测网观测过程中, 由于受到周跳、整周模糊度解算误差及多路经效应等的影响, 致使基线向量中可能含有粗差。当采用标准卡尔曼滤波模型的结果进行变形分析时, 则不可避免的导致变形分析结果的失真。因此, 采用卡尔曼滤波动态处理G P S监测网数据时, 如何克服观测粗差对滤波结果的影响, 从而保证变形分析结果的正确性, 是我们必须要考虑的问题。栾瑞明, 张华海等, 余学祥等对此方法应用于变形监测数据处理领域进行了有益的研究。

4 谱分析方法

动态变形分析既可以在时间域进行, 也可以在频率域进行。频谱分析方法是将时间域内的数据序列通过傅立叶 (Fourier) 级数转换到频率域内进行分析, 它有利于确定时间序列的准确周期, 并判别隐蔽性和复杂性的周期数据。频谱分析法用于确定动态变形特征是一种常用的方法, 尤其是在建筑物结构振动监测方面被广为采用。但是, 频谱分析法的苛刻条件是数据序列的等时间间隔要求, 这为一些工程变形监测分析的实用性增加了难度, 因为对于非等间隔时间序列进行插补和平滑处理必然会带入人为因素的影响。

5 小波变换方法

诞生于20世纪80年代末的小波分析理论, 是一种最新的时频局部化分析方法, 被认为是自傅立叶分析方法后的突破性进展。将小波变换用于G P S动态变形分析克服了经典傅立叶分析不能描述信号时频特征的缺陷, 利用小波变换的多分辨率特性, 实现了G P S动态监测数据的滤波、变形特征信息的提取以及不同变形频率的分离, 可望有效的求解变形的非线性系统问题。但是这一研究领域刚刚起步, 在变形分析方面尚无实质性的研究成果。第21届IUGG大会“小波理论及其应用”被I A G确定为大地测量新理论的研究方向之一。在1 9 9 9年召开的第2 2届I U G G大会上, “小波理论及其在大地测量和地球动力学中的应用”再次被IAG确定为GIV分会 (大地测量理论与方法) 的新的研究小组。可见, 开展小波理论及其应用研究的重要性。从目前的应用研究来看, 虽然小波分析要求大子样容量的时间序列数据, 但是, 长序列数据可从GPS、TPS等集成的自动化监测系统中得到保障。小波分析为高精度变形特征提取提供了一种数学工具, 可实现其它方法无法解决的难题, 对非平稳信号消噪有着其它方法不可比拟的优点。因此, 小波分析理论在G P S变形监测 (尤其是动态变形监测) 的数据处理与分析方面将可发挥巨大的作用。

摘要：随着GPS技术在变形监测中的广泛应用, 数据处理的方法也日趋多样化, 笔者基于自己的工作经验, 在参考大量相关文献的基础上, 重点探讨了静态数据处理方法、单历元解算方法、动态卡尔曼滤波方法、谱分析方法、小波变换方法五种数据处理方法, 既有深厚的理论基础, 同时也体现了笔者的经验, 相信对从事相关研究的同行有着重要的参考价值和借鉴意义。

关键词：GPS,变形监测,数据处理