首页 >
论文范文 >
自然科学论文 >
自然科学综合论文 >
测绘学论文 >
融合重力信息似大地水准面精化模型研究
0
给我们留言吧!
摘要：以二次多项式模型为基础,提出融合重力信息的多项式模型和融合重力信息的误差反向传播(errorbackpropagation,BP)神经网络模型2种似大地水准面精化模型。通过试验验证,3种模型的检验点拟合中误差分别为±11.7cm、±4.3cm和±4.0cm,重力信息可提高似大地水准面模型的拟合效果,BP神经网络模型的拟合精度最高,与二次多项式模型相比提高了65%。
加入收藏
全球导航卫星系统(globalnavigationsatellitesystem,GNSS)测量精度高、效率高,在工程实践中得到越来越广泛的应用。GNSS测量获得的高程为大地高HGNSS,起算面为椭球面。椭球面与似大地水准面不重合,大地高和正常高HNor之间存在高程异常ζ,计算公式为:
ζ=HGNSS-HNor。(1)
GNSS测量获得的HGNSS已经具备较高精度,但工程中一般采用HNor,所以限制GNSS高程测量应用的主要因素是高程异常ζ的精度,似大地水准面的精化问题亟待解决[1,2,3]。
似大地水准面模型有多种[4,5,6],其中二次多项式模型简单、拟合精度良好,应用广泛。本文以二次多项式模型为基础模型,提出一种融合重力信息的多项式模型,并利用神经网络的方法提出了融合重力信息的误差反向传播(errorbackpropagation,BP)神经网络模型,对比分析两种模型的拟合精度。
1、二次多项式拟合模型
在常规的似大地水准面模拟方法中,模型自变量为经度和纬度,因变量是这一点上的ζ。文献[7]对似大地水准面模型的二次多项式拟合模型为:
ζ(x,y)=a0+a1x+a2y+a3x2+a4xy+a5y2,(2)
式中:a0为常数项,a1、a2、a3、a4、a5分别为经度、纬度及其二次项系数,x为经度,y为纬度。
因为ζ的变化与地理位置紧密相关,所以这种建模方式及参数的选取十分合理,是我国推荐采用的似大地水准面拟合手段。其建模参数较少,具备多余观测,可利用平差检验粗差点,即具备较好的抵抗粗差的能力。这种建模方式受个别ζ的影响较小,具备拟合多种地形条件的能力。
本文中二次多项式模型作为对比参照的基准,记作模型A。
2、融合重力信息的多项式模型
由于过去重力信息匮乏且精度不高,常规模型未将重力异常数据作为参数加入似大地水准面拟合模型中。重力异常数据是影响似大地水准面的因素之一,将其引入似大地水准面精化模型中,有利于提高模型的精度[8]。
利用重力恢复与气候试验(gravityrecoveryandclimateexperiment,GRACE)卫星跟踪数据、卫星测高数据和地面重力数据等多源数据建立地球重力场模型(earthgravitationalmodel,EGM)2008。EGM2008的均方根误差为±11.137cm,EGM2008的外部检核表明,EGM2008在全球范围内的误差为±13.0cm,在美国的误差为±7.1cm,在澳洲的误差为±26.6cm。因此可以确定EGM2008在全球具有很高的精度。
在融合重力信息的二次多项式模型进行似大地水准面精化过程中,需要获取每一个试验点位的重力异常数据,而EGM2008提供网格点上的重力异常数据,所以需对EGM2008数据进行内插处理。
以常规二次多项式模型为基础,加入重力异常数据参数后得到一种融合重力信息的多项式模型:
ζ(x,y,g′)=a0+a1x+a2y+a3x2+a4xy+a5y2+a6g′+a7g′2,(3)
式中:g′为重力异常数据,a6、a7分别为重力异常数据的一次项和二次项系数。
式(3)在式(2)的基础上添加了重力异常数据的一次项和二次项,获得融合重力信息的多项式模型,记作模型B。
3、基于神经网络的融合模型
随着人工智能的发展,神经网络方法在模型拟合精化方面的应用越来越广泛[9,10,11,12],本文即在模型B的基础上,提出一种基于神经网络的融合模型。
3.1神经网络BP算法
BP算法是一种基于样本训练,自我学习调整的神经网络模型,该模型自20世纪70年代提出以来,经过几十年的发展,已经被证明适用于多个领域。BP神经网络模型结构如图1所示。
图1BP神经网络模型结构
由图1可知,BP神经网络主要由输入层、隐含层和输出层3部分构成。输入向量和输出向量对应常规模型中的自变量和因变量。BP神经网络需要训练建模,训练过程分为正向传播过程和误差反向传播过程。正向传播过程中,输入向量经过与权值矩阵的运算,进入多层隐含层,隐含层之间均由权值矩阵连接,直至所有隐含层运算结束,得到输出结果。输出结果与期望输出结果的误差作为训练信号,对权值矩阵进行逐层调整,使输出结果的误差变小。通过多个样本的学习,BP神经网络可以得到合适的权值矩阵,输入向量经过传播运算即可得到达到期望精度要求的输出向量。这既是BP神经网络的学习过程,也是建模过程。用试验数据检验BP神经网络的学习成果,即可判定学习效果[13,14,15]。
图2融合重力信息的BP神经网络模型结构图
3.2融合模型
基于神经网络的8参数融合模型如图2所示。
图2融合模型的输出层参数除了代表二次多项式参数的x、y、x2、y2和xy外,加入了代表重力异常数据的一次项和二次项g′和g′2,还加入了ζB,是由模型B计算得到的ζ估计结果。输出参数为ζ-ζB,是模型B拟合似大地水准面的残差,记作模型C[16,17,18,19]。
在输入层加入ζB是因为模型B的综合性质优良,即综合了二次多项式和重力信息,对模型精化有增益效果[20,21,22,23]。
输出层参数变为残差输出参数ζ-ζB,只是原输出参数减去ζB即为原输出参数高程异常。模型B可使似大地水准面的拟合精度较高,即拟合残差ζ-ζB远小于ζ。神经网络数据处理软件在计算前对数据进行归一化处理,使结果相对较小,因此预处理数据有益于模型精化[24,25]。
4、工程实例分析
4.1试验数据的来源与处理
试验数据来源于某地区,原始数据包含经度、纬度,重力异常数据由EGM2008地球重力场数据内插计算获得,如图3所示。
图3工程实例点位分布图
工程中共有62个点位。试验地区经度跨度为0.853°,纬度跨度为1.221°,工程面积接近10000km2,其成果可供市级似大地水准面精化参考。为保护数据源,已对原始数据进行加密处理,但不影响分析结果。
为确保试验有效性,首先筛选原始数据。试验中利用中误差判断数据质量,各点位ζ均为已知,故得到中误差
m=±∑i=1nΔ2in−−−−−√m=±∑i=1nΔi2n,(4)
式中:Δi为真误差,即模型估计值与实测ζ之差;n为参与建模的点位个数。
用本试验的全部数据建立模型A,得到全部点位ζ的拟合结果,计算m,剔除点位误差超过3倍m的点。经粗差剔除,去掉3号和19号点,得到60个试验点,均匀选取其中20个作为基准点,用来建立不同的模型,其余40个点作为检验点,用来比较不同模型的拟合效果。
4.2模型建立与检验
4.2.1模型A
模型A采用Matlab软件建模,得到基准点与检验点残差如表1、2所示。
表1模型A基准点残差
表2模型A检验点残差
由表1可知:在二次多项式模型基准点中,38号点的残差的绝对值最小,残差为-0.7cm;8号点的残差的绝对值最大,残差为-25.9cm,m=12.6cm。
由表2可知:在二次多项式模型检验点中,13号点残差的绝对值最小,为0.8cm;45号点残差的绝对值最大,残差为-23.7cm,m=11.7cm。
4.2.2模型B
模型B采用Matlab软件建模,得到基准点与检验点残差如表3、4所示。
由表3可知:在融合重力信息多项式模型基准点中,52号点残差的绝对值最小,残差为0.3cm;50号点残差的绝对值最大,残差为7.6cm,m=3.8cm。由表4可知:在融合重力信息多项式模型检验点中,18号点残差的绝对值最小,为0.2cm;41号点残差的绝对值最大,残差为-15.7cm,m=4.3cm。
4.2.3模型C
模型C采用神经网络数据处理软件建模,在输入文件中,输入层参数为x、y、x2、xy、y2、g′、g′2、ζB,输出层参数为ζ-ζB。
表3模型B基准点残差
表4模型B检验点残差
神经网络学习的随机性质(连接权值矩阵的随机初始化)决定每一次的学习结果在一定范围内波动。所以评价一个神经网络的学习效果时,不仅要估计其拟合精度,也要考虑其稳定性,在参数设置相同的条件下,其多次拟合结果之间的差别应较小。
神经网络数据处理软件设置了多项可调参数,根据参数意义和神经网络模拟试验表现进行具体调节,应用相同的基准点和检验点数据,在进行了约100次神经网络模拟试验后,得到最优设置参数如表5所示。
表5模型C最优设置参数
表6模型C的试验结果
由表6可知:10次试验的基准点平均中误差为1.7cm,检验点平均中误差为3.9cm,因为检验点平均中误差与第10次试验十分接近,而检验点中误差是评价似大地水准面精化水平的重要指标之一,故选取第10次试验数据作为参考,模型C基准点及检验点的残差如表7、8所示。
表7模型C基准点残差
表8模型C检验点残差
由表7可得:23号点残差的绝对值最小,残差为-0.3cm;24号点残差的绝对值最大,残差为2.3cm,m=1.7cm。由表8可得:43号点残差的绝对值最小,残差为0;41号点残差的绝对值最大,残差为-15.1cm,m=4.0cm。
4.3拟合效果对比分析
对比3种模型的拟合精度可知,以检验点中误差为准,模型B的精度比模型A提升约60%,模型C的精度比模型A提升约65%,说明EGM2008数据对似大地水准面的精化有明显的提升效果,但神经网络的方法提升效果更好。
5、结论
1)EGM2008重力异常数据与ζ关系紧密,因此,在似大地水准面的二次多项式拟合模型中加入EGM2008重力异常数据,能明显提升模型的拟合效果。
2)以二次多项式拟合模型为基础建立的2种似大地水准面精化模型均有较好的拟合效果,其中应用融合重力数据的BP神经网络8参数模型的拟合精度可提升65%,应用效果良好,有一定的推广价值。
参考文献：
[1]陈俊勇.对我国建立现代大地坐标系统和高程系统的建议[J].测绘通报,2002(8):1-5.
[2]丁剑.高精度似大地水准面精化中的若干问题研究[D].北京:中国测绘科学研究院,2006.
[3]晁定波,申文斌,王正涛.确定全球厘米级精度大地水准面的可能性和方法探讨[J].测绘学报,2007,36(4):370-376.
[4]宁津生,罗志才,李建成.我国省市级大地水准面精化的现状及技术模式[J].大地测量与地球动力学,2004,24(1):4-8.
[5]李建成.我国现代高程测定关键技术若干问题的研究及进展[J].武汉大学学报(信息科学版),2007,32(11):980-987.
[6]陈俊勇,李建成,宁津生,等.中国新一代高精度､高分辨率大地水准面的研究和实施[J].武汉大学学报(信息科学版),2001,26(4):283-289.
[7]中国有色金属工业协会.工程测量规范:GB50026—2007[S].北京:中国计划出版社,2007.
[8]冯林刚,张锁祥,蒙奎文.基于EGM2008模型的重力观测点GPS高程转换[J].物探与化探,2010,34(4):549-552.
[9]胡伍生.神经网络理论及其工程应用[M].北京:测绘出版社,2006.
[10]沈荣.人工神经网络的基本模型[J].中国科技信息,2012(8):110.
[11]陈阳,胡伍生,严宇翔,等.基于神经网络模型误差补偿技术的对流层延迟模型研究[J].大地测量与地球动力学,2018,38(6):577-580.
[12]朱明晨,赵平,陈伟荣.基于BP神经网络的霍普菲尔德模型改进研究[J].测绘工程,2016,25(9):26-30.
[13]张帆,胡伍生.神经网络融合模型在大坝安全监控中的应用[J].测绘工程,2015,24(1):53-56.
[14]胡伍生,张志伟.模型误差补偿的神经网络方法研究[J].测绘科学,2010,35(增刊1):47-49.
[15]胡伍生,华锡生,吴中如.用神经网络方法探测数学模型误差[J].大坝观测与土工测试.2001,25(4):13-16.
[16]杨小青,胡伍生.基于神经网络的似大地水准面模型精化办法研究[J].测绘工程,2008,17(4):8-11.
[17]王婷婷,靳奉祥.基于BP神经网络法的地表变形监测[J].测绘与空间地理信息,2014,37(3):57-61.
[18]万艳江.基于BP神经网络实现曲面数据修补的方法研究[D].西安:西安理工大学,2003.
[19]周龙,詹琼华.多层前馈神经网络中改进BP算法的研究[J].武汉食品工业学院学报,1999(1):69-74.
[20]陈阳,胡伍生.一种基于遗传算法和BP神经网络的对流层延迟改正模型[J].测绘工程,2018,27(3):46-52.
[21]崔珊珊.遗传算法的一些改进及其应用[D].合肥:中国科学技术大学,2010.
[22]陆建华,王斌,胡伍生.利用BP神经网络改进电离层短期预报模型[J].测绘科学技术学报,2017,34(1):1-4.
[23]丁茂华,胡伍生.一种优化的基于神经网络的经验ZTD模型[J].测绘通报,2017(1):22-25.
[24]王勇,张立辉,杨晶.基于BP神经网络的对流层延迟预测研究[J].大地测量与地球动力学,2011,31(3):134-137.
[25]尹为松,陶庭叶,邓清军,等.遗传算法优化的GPS对流层延迟内插算法[J].测绘科学,2016,41(1):180-184.
沈鑫,胡伍生.融合重力信息的似大地水准面精化模型[J].山东交通学院学报,2020,28(04):71-78.
基金:国家自然科学基金项目(41574022).
分享：
泛在测绘被定义为用户在任何地点、任何时间，认知环境与人产生关系时使用和构建地图的活动和能力[1]。泛在测绘服务于近乎实时定位的大众行业，时空位置信息是这类应用的数据基础，除了专业的测绘数据，一些非专业的包含空间位置的众包数据也逐步成为测绘行业应用的重要数据来源。
2023-10-30
近年来，随着无人机、大数据、人工智能等技术的发展，快速、高精度的空间大数据处理模式已被广泛应用。摄影测量作为空间大数据的重要采集方式自然存在大量社会需求，同时这对摄影测量人才的数量和技术也提出了更高的要求。基于此，高校对于摄影测量人才的培养也必须顺应社会需求发展，即在摄影测量学课程设计方面需要进行改革和创新。
2023-09-05
房产测量主要是利用测绘技术和方法，采集和表达房屋物权的有关信息，为房屋产权、产籍和物业管理、房地产开发利用、交易、征收税费及城镇规划建设提供数据和资料。随着我国经济不断发展，城镇居民住宅逐渐增多，对房产测量的精度与效率提出了更高的要求。本文针对目前房产测量的局限性，提出了利用三维激光扫描技术实现大面积房产测量平面图绘制的方法。
2023-08-30
为促进无人机航测技术在电网工程建设中的应用，分析了无人机摄影测量系统的组成、特点、应用范围与作业流程，介绍了其在电网工程建设中的应用，包括在线路规划与地形图测量、电网应急救灾、电力巡线、电力线上异物处理中的应用。但受技术因素的影响，无人机在空中运行过程中仍然存在姿态不稳定、飞行时间偏短、航拍面积较小等问题。
2022-04-08
现阶段民用基础地理信息数字成果可以通过转换、融合的方式，生产出满足军方使用的成果数据，但这种方法耗时长，成本高。从推进双方成果深度融合的角度出发，应从标准化的视角，建立标准化融合工作机制，构建军民通用的测绘地理信息标准体系，推动基础类标准的融合，尝试成果类标准的研制。推进军民基础地理信息数字成果及标准融合有利于统筹军民测绘力量。
2022-01-21
在智慧城市这一概念提出之后，三维GIS技术的应用越来越充分，也达到了更好的实践效果。三维GIS是当下和未来GIS技能发展趋势的主要方向，它使空间信息不再局限于二维平面内。文章从三维空间数据库模型、物联网、三维可视化、互联网＋GIS等方面对三维GIS技术及其在智慧城市中应用进行综合分析，为城市管理提供了新思路。
2021-12-25
作为国民经济和社会发展支柱型产业之一，矿业起到基础性的支撑作用。作为矿山开采的基础条件，测绘质量提升属于行业重点探究的一个课题。无人机属于现阶段一种新颖的数据采集载体，与传统人工方式相比，存在着工作质量高、效率高、操作简单、机动性高等相关特点[1]。同时，无人机测绘技术将地面的地物、地貌空间具体状况体现出来，能够满足大比例尺成图要求。
2021-12-16
促使智慧城市智能服务的领域不断延伸。智慧城市建设具有系统性和复杂性，其涵盖电力工程、交通工程、经济建设等多个方面[1]。因此，通过在智慧城市测绘中应用地理信息系统，构建信息联通平台，能够在很大程度上突破地理条件和环境因素的影响，为城市建设服务提供有效的数据支撑，使智能化服务更加符合社会发展的需求。
2021-12-15
土地资源调查管理是政府的主要工作内容之一，高效的土地调查与管理，有利于实现土地资源的合理分配和高效利用，缓解我国土地资源短缺的压力。遥感技术以宏观、综合、动态、快速、准确的优势为国土资源管理与调查提供了先进的探测与研究手段，通过遥感技术可以获取高质量可靠的土地信息，为相关部门后续的土地规划利用奠定基础，实现国家土地资源的信息化、智能化管理。
2021-12-15
随着信息化进程与城市规划设计速度的不断加快，我国的城市建设已经向着＂智慧城市＂的方向进行发展。＂智慧城市＂已经成为当前我国城市建设的目标之一，为了更好地实现这一目标，必须要合理利用当下相关信息化技术与设备，不断推进我国城市化发展进程。在对国土空间进行规划的过程中，利用先进的信息测绘技术以及定位系统，可不断提高国土空间规划的科学性与准确性。
2021-12-15
人气：3263
人气：2855
人气：2827
人气：1926
人气：1872
我要评论
期刊名称：北京测绘
期刊人气：1031
主管单位：北京市规划和自然资源委员会
主办单位：北京市测绘设计研究院,北京测绘学会
出版地方：北京
专业分类：科学
国际刊号：1007-3000
国内刊号：11-3537/P
创刊时间：1987年
发行周期：月刊
期刊开本：大16开
见刊时间：4-6个月
影响因子：0.713
影响因子：0.000
影响因子：0.000
影响因子：1.236
影响因子：0.000
学术期刊咨询、科普杂志阅读、专利申请方案、课题研究设计、专著挂名咨询、论文下载、文献查询、原创文章检测、SCI实验设计方案等多项服务。
服务热线
您的论文已提交，我们会尽快联系您，请耐心等待！
你的密码已发送到您的邮箱，请查看！
2020-12-08
119
上传者：管理员
