基于整体最小二乘估计的GNSS高程异常拟合研究

为了解决使用多项式曲面拟合方法对GNSS高程异常进行拟合时控制点平面坐标和高程异常值均含有误差的问题,本文应用整体最小二乘估计求解拟合模型中的相关参数,对比传统最小二乘估计进行讨论,并在算例中分别用两种平差方法进行高程转换。实验结果表明,在考虑控制点已知坐标中的误差后,采用整体最小二乘估计进行多项式曲面拟合GNSS高程异常,精度明显高于传统最小二乘估计。

基于机器学习的高程异常建模算法及其水电工程的应用

某水电工程测区受地形复杂、植被覆盖率高等因素的影响,水准测量实施困难,采用循环神经网络RNN、反向传播BP神经网络和径向基函数RBF神经网络等3种机器学习算法,分别对试验区域高程异常进行拟合与建模,并将结果与二次曲面拟合方法进行对比。内符合与外符合精度对比发现,机器学习算法建立的高程异常模型精度高、残差小。3种方法中,径向基函数RBF神经网络更适用于研究区域的高程异常建模。此外,基于相同的机器学习算法,研究随机选取部分拟合点高程异常建模的精度发现,公共点分布更加均匀时,拟合效果更好。研究成果为复杂地形条件下水电工程项目高程异常建模提供参考。

多类地球重力场模型的高程异常精度比较

分析了最新的多类地球重力场模型解算GNSS点高程异常的精度,利用中国某测区内的GNSS/水准数据与地球重力场模型解算值相比较,选择出较优精度的重力场模型,在测区范围内解算精度达到21.09 cm,消除系统偏差后的精度最高为3.94 cm。结果表明在本区域地球重力场模型确定的重力似大地水准面与GNSS/水准的似大地水准面存在系统偏差,消除系统偏差后的结果精度有所提升,可在铁路工程测量中发挥一定的作用。