改进的LS+AR模型在日长变化预报中的应用研究.pdf

日长变化是表征地球自转运动的一个重要参数，它与极移、岁差和章动统称为地球定向参数(EOP)。高精度EOP的获取是地球参考框架和天球参考框架之间进行相互转换的必要条件，同时在卫星导航、深空探测以及军事领域中也有重要的作用。现代测地技术(VLBI、SLR、GPS等)是目前获取EOP的主要手段，然而由于复杂的数据处理过程，使得EOP的获取存在时间延迟，因此EOP的高精度预报具有重要的研究意义。关于地球定向参数中日长变化的预报研究方法，国内外学者已经建立了许多不同的模型，其中最小二乘和自回归的组合模型(LS+AR)是应用相对成熟且广泛的预报方法，但还存在一些不足。本文针对LS+AR模型在日长变化预报中不足进行改进，进而提高日长变化预报的精度。
　　本文针对LS+AR模型的改进主要从以下三个方面:
　　1)由于原始日长变化序列的有限性，在用最小二乘模型进行拟合时，势必在拟合序列的两端出现畸变现象，最终导致日长变化序列的预报值不准确。本文提出基于端部效应改正的LS+AR模型方法(ECLS+AR)改善预报精度，并与LS+AR模型预报的结果进行比较。
　　2)LS+AR模型对日长变化预报实质是种两步预报方法，即用最小二乘模型外推预报趋势项值和用AR模型预报残差项值，最后两者之和为最终预报值。然而日长变化的残差序列是种非线性的时间序列，而AR模型是一种线性模型(LS+AR模型是把残差序列当作近似线性的时间序列)，因此本文选用一种分段线性化的AR模型—TAR模型来替代AR模型对残差序列进行预报，最终日长变化的预报值为LS模型和TAR模型两者的预报值之和。
　　3)考虑到轴向大气角动量与日长变化序列之间的强相关性，将轴向的大气角动量数据加入到日长变化序列的预报模型中，方法为最小二乘与多变量自回归(LS+MAR)组合模型。但是该模型中采用的并非实时预报的大气数据，只能在理论上证明了LS+MAR模型的可行性。本文将实时预报的大气数据加入到预报模型中，通过实验证明了该模型的可行性。