[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
برای نویسندگان::
آرشیو مجله و مقالات::
برای داوران::
تماس با ما::
امکانات پایگاه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
پایگاه های نمایه کننده







 
..
آمار سایت
تعداد مشاهده ی مقالات: 2683451

مقالات منتشر شده: 653
نرخ پذیرش: 73.82
نرخ رد: 17.64

میانگین دریافت تا تصمیم‌گیری اولیه: 5 تا 10 روز
میانگین دریافت تا پذیرش: 190 روز
____
..
:: دوره 13، شماره 2 - ( 9-1402 ) ::
دوره 13 شماره 2 صفحات 77-67 برگشت به فهرست نسخه ها
برآورد سریع دامنه نویز سفید در سری‌های زمانی GNSS توسط واریانس موجک
خسرو مقتصدآذر* ، رامین تهرانچی
چکیده:   (1152 مشاهده)
نویز  سری‌های زمانی موقعیت GNSS عمدتاً ترکیبی از نویز سفید و نویز قانون توان است. برای تعیین دامنه این نویزها از روش‌های برآورد مؤلفه واریانس استفاده می‌شود. روش‌های برآورد مؤلفه‌های واریانس ذاتاً روش‌های تکراری هستند که در هر تکرار معکوس ماتریس (کو)واریانس محاسبه شده و به همین دلیل افزایش طول سری‌های زمانی باعث افزایش بار محاسباتی می‌شود. در این تحقیق الگوریتمی برای برآورد سریع دامنه نویز سفید بر اساس واریانس موجک تبدیل موجک گسسته با بیشترین همپوشانی ارائه می‌شود. در استفاده از تبدیل موجک گسسته با بیشترین همپوشانی قابلیت تجزیه‌وتحلیل آماری ما کاهش نمی‌یابد چون این تبدیل برای هر سری زمانی با طول دلخواه قابل‌استفاده بوده و تعداد ضرایب موجک و مقیاس به ازای افزایش هر مرحله نصف نمی‌شود. برای ارزیابی عملکرد الگوریتم پیشنهادی، از 180 سری زمانی شبیه‌سازی‌شده با طول‌های مختلف (2000، 4000 و 8000) استفاده شده است. این سری‌های زمانی شامل حرکت خطی، مؤلفه‌های پریودیک، آفست، اثر زلزله و گپ (تا 10٪) می‌باشند که ترکیبی از نویز سفید، فلیکر و گام تصادفی به آن‌ها اضافه ‌شده است. روش پیشنهادی بر روی این داده‌های شبیه‌سازی‌شده اعمال گردیده و نتایج آن با نتایج روش بیشترین درست‌نمایی محدود مقایسه شده است. مقایسه بایاس دامنه‌های نویز سفید برآورده شده از روش پیشنهادی و روش بیشترین درست‌نمایی محدود نشان داد که نتایج ارائه‌شده توسط دو روش نزدیک به هم هستند. علاوه بر این، پیچیدگی محاسباتی الگوریتم پیشنهادی از مرتبه O(N) است که N  طول سری زمانی می‌باشد . همچنین نتایج  زمان محاسبات نشان داد که الگوریتم پیشنهادی بسته به طول سری‌های زمانی می‌تواند حدود 450 تا 10000 برابر سریع‌تر از روش بیشترین  درست‌نمایی محد ود باشد. در ادامه به منظور ارزیابی بیشتر، از داده های 19 ایستگاه واقعی استفاده شد که نتایج حاکی از کارایی روش پیشنهادی دارد. پیچیدگی محاسباتی کم و سرعت بالای الگوریتم پیشنهادی می‌تواند سرعت پردازش سری‌های زمانی GNSS را به میزان قابل‌توجهی افزایش دهد.      
شماره‌ی مقاله: 6
واژه‌های کلیدی: سری‌های زمانی GNSS، نویز سفید، نویز قانون توان، برآورد مؤلفه واریانس، واریانس موجک، تبدیل موجک گسسته با بیشترین همپوشانی
متن کامل [PDF 691 kb]   (417 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: ژئودزی و هیدروگرافی
دریافت: 1402/4/8
فهرست منابع
1. Wernicke, B., Davis, J. L., Bennett, R. A., Normandeau, J. E., Friedrich, A. M., & Niemi, N. A. (2004). Tectonic implications of a dense continuous GPS velocity field at Yucca Mountain, Nevada. Journal of Geophysical Research: Solid Earth, 109(B12). [DOI:10.1029/2003JB002832]
2. Aoki, Y. (2017). Space geodetic tools provide early warnings for earthquakes and volcanic eruptions. Journal of Geophysical Research: Solid Earth, 122(4), 3241-3244. [DOI:10.1002/2017JB014287]
3. Tregoning, P., & Watson, C. (2009). Atmospheric effects and spurious signals in GPS analyses. Journal of Geophysical Research: Solid Earth, 114(B9). [DOI:10.1029/2009JB006344]
4. Montillet, J. P., Melbourne, T. I., & Szeliga, W. M. (2018). GPS vertical land motion corrections to sea‐level rise estimates in the Pacific Northwest. Journal of Geophysical Research: Oceans, 123(2), 1196-1212. [DOI:10.1002/2017JC013257]
5. Argus, D. F., Peltier, W. R., Drummond, R., & Moore, A. W. (2014). The Antarctica component of postglacial rebound model ICE-6G_C (VM5a) based on GPS positioning, exposure age dating of ice thicknesses, and relative sea level histories. Geophysical Journal International, 198(1), 537-563. [DOI:10.1093/gji/ggu140]
6. Bock, Y., & Melgar, D. (2016). Physical applications of GPS geodesy: A review. Reports on Progress in Physics, 79(10), 106801. [DOI:10.1088/0034-4885/79/10/106801]
7. Herring, T.A., Melbourne, T.I., Murray, M.H., Floyd, M.A., Szeliga, W.M., King, R.W., Phillips, D.A., Puskas, C.M., Santillan, M. & Wang, L., (2016). Plate Boundary Observatory and related networks: GPS data analysis methods and geodetic products. Reviews of Geophysics, 54(4), 759-808. [DOI:10.1002/2016RG000529]
8. Tehranchi, R., Moghtased‐Azar, K., & Safari, A. (2020). A new statistical test based on the WR for detecting offsets in GPS experiment. Earth and Space Science, 7(8), e2019EA000810. [DOI:10.1029/2019EA000810]
9. Khazraei, S. M., & Amiri-Simkooei, A. R. (2021). Improving offset detection algorithm of GNSS position time-series using spline function theory. Geophysical Journal International, 224(1), 257-270. [DOI:10.1093/gji/ggaa453]
10. Nikolaidis, R. (2002). Observation of geodetic and seismic deformation with the Global Positioning System. PH. D. thesis , University of California, San Diego.
11. Bevis, M., & Brown, A. (2014). Trajectory models and reference frames for crustal motion geodesy. Journal of Geodesy, 88, 283-311. [DOI:10.1007/s00190-013-0685-5]
12. Tehranchi, R., Moghtased Azar, K., & Nankali, H. R. (2016). Analysis of GPS Time Series Over the Alborz Range. Journal of Geomatics Science and Technology, 5(4), 127-135.
13. Williams, S. D. (2008). CATS: GPS coordinate time series analysis software. GPS solutions, 12, 147-153. [DOI:10.1007/s10291-007-0086-4]
14. Bos, M. S., Fernandes, R. M. S., Williams, S. D. P., & Bastos, L. (2008). Fast error analysis of continuous GPS observations. Journal of Geodesy, 82(3), 157-166. [DOI:10.1007/s00190-007-0165-x]
15. Langbein, J. (2017). Improved efficiency of maximum likelihood analysis of time series with temporally correlated errors. Journal of Geodesy, 91, 985-994. [DOI:10.1007/s00190-017-1002-5]
16. Koch, K. R. (1986). Maximum likelihood estimate of variance components: Ideas by AJ Pope (In memory of Allen J. Pope, 11.10. 1939-29.08. 1985). Bulletin gæodésique, 60, 329-338. [DOI:10.1007/BF02522340]
17. Amiri-Simkooei, A. (2007). Least-squares variance component estimation: theory and GPS applications. PH. D. thesis, Delft University of Technology. [DOI:10.54419/fz6c1c]
18. Teunissen, P. J., & Amiri-Simkooei, A. R. (2008). Least-squares variance component estimation. Journal of geodesy, 82, 65-82. [DOI:10.1007/s00190-007-0157-x]
19. Langbein, J. (2012). Estimating rate uncertainty with maximum likelihood: differences between power-law and flicker-random-walk models. Journal of Geodesy, 86(9), 775-783. [DOI:10.1007/s00190-012-0556-5]
20. Santamaría‐Gómez, A., Bouin, M. N., Collilieux, X., & Wöppelmann, G. (2011). Correlated errors in GPS position time series: Implications for velocity estimates. Journal of Geophysical Research: Solid Earth, 116(B1). [DOI:10.1029/2010JB007701]
21. Amiri‐Simkooei, A. R., Tiberius, C. C., & Teunissen, P. J. (2007). Assessment of noise in GPS coordinate time series: methodology and results. Journal of Geophysical Research: Solid Earth, 112(B7). [DOI:10.1029/2006JB004913]
22. Bos, M. S., Fernandes, R. M. S., Williams, S. D. P., & Bastos, L. (2013). Fast error analysis of continuous GNSS observations with missing data. Journal of Geodesy, 87(4), 351-360. [DOI:10.1007/s00190-012-0605-0]
23. He, X., Bos, M. S., Montillet, J. P., & Fernandes, R. M. S. (2019). Investigation of the noise properties at low frequencies in long GNSS time series. Journal of Geodesy, 93(9), 1271-1282. [DOI:10.1007/s00190-019-01244-y]
24. Dmitrieva, K., Segall, P., & DeMets, C. (2015). Network-based estimation of time-dependent noise in GPS position time series. Journal of Geodesy, 89(6), 591-606. [DOI:10.1007/s00190-015-0801-9]
25. Langbein, J., & Svarc, J. L. (2019). Evaluation of temporally correlated noise in Global Navigation Satellite System time series: Geodetic monument performance. Journal of Geophysical Research: Solid Earth, 124(1), 925-942. [DOI:10.1029/2018JB016783]
26. Langbein, J. (2008). Noise in GPS displacement measurements from Southern California and Southern Nevada. Journal of Geophysical Research: Solid Earth, 113(B5). [DOI:10.1029/2007JB005247]
27. King, M. A., & Williams, S. D. (2009). Apparent stability of GPS monumentation from short‐baseline time series. Journal of Geophysical Research: Solid Earth, 114(B10). [DOI:10.1029/2009JB006319]
28. Williams, S.D., Bock, Y., Fang, P., Jamason, P., Nikolaidis, R.M., Prawirodirdjo, L., Miller, M. & Johnson, D.J. (2004). Error analysis of continuous GPS position time series. Journal of Geophysical Research: Solid Earth, 109(B3). [DOI:10.1029/2003JB002741]
29. Montillet, J. P., Tregoning, P., McClusky, S., & Yu, K. (2012). Extracting white noise statistics in GPS coordinate time series. IEEE Geoscience and Remote Sensing Letters, 10(3), 563-567. [DOI:10.1109/LGRS.2012.2213576]
30. Montillet, J. P., & Bos, M. S. (Eds.). (2019). Geodetic time series analysis in earth sciences. Springer. [DOI:10.1007/978-3-030-21718-1]
31. Tehranchi, R., Moghtased-Azar, K., & Safari, A. (2021). Fast approximation algorithm to noise components estimation in long-term GPS coordinate time series. Journal of Geodesy, 95(2), 18. [DOI:10.1007/s00190-021-01473-0]
32. Ghorbanalizadeh Khangah, M., Tehranchi, R., & Moghtased Azar, K. (2021). Noise Analysis of GPS Time Series with Simulated Data Using EMD, Standard Deviation and Trigonometric Methods. Journal of Geomatics Science and Technology, 11(1), 91-106.
33. Cucci, D. A., Voirol, L., Kermarrec, G., Montillet, J. P., & Guerrier, S. (2023). The Generalized Method of Wavelet Moments with eXogenous inputs: a fast approach for the analysis of GNSS position time series. Journal of Geodesy, 97(2), 14. [DOI:10.1007/s00190-023-01702-8]
34. Williams, S. D. P. (2003). The effect of coloured noise on the uncertainties of rates estimated from geodetic time series. Journal of Geodesy, 76, 483-494. [DOI:10.1007/s00190-002-0283-4]
35. Hosking, J. R. M. (1981), Fractional differencing, Biometrika, 68, 165-176. [DOI:10.1093/biomet/68.1.165]
36. Percival, D. B., & Walden, A. T. (2000). Wavelet methods for time series analysis (Vol. 4). Cambridge university press. [DOI:10.1017/CBO9780511841040]
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Moghtased Azar K, Tehranchi R. Fast white noise estimation in GNSS time series by wavelet variance. JGST 2023; 13 (2) : 6
URL: http://jgst.issgeac.ir/article-1-1149-fa.html

مقتصدآذر خسرو، تهرانچی رامین. برآورد سریع دامنه نویز سفید در سری‌های زمانی GNSS توسط واریانس موجک. علوم و فنون نقشه برداری. 1402; 13 (2) :67-77

URL: http://jgst.issgeac.ir/article-1-1149-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 13، شماره 2 - ( 9-1402 ) برگشت به فهرست نسخه ها
نشریه علمی علوم و فنون نقشه برداری Journal of Geomatics Science and Technology