Pobierz prezentację
Pobieranie prezentacji. Proszę czekać
OpublikowałEdward Wawrzyniak Został zmieniony 9 lat temu
1
Porównanie metod prognozowania parametrów orientacji Ziemi
Wiesław Kosek Seminarium Centrum Badań Kosmicznych PAN, 25 październik 2007
2
CIP – Celestial Intermediate Pole IRP – Instantaneous Rotation Pole y
x IRP y xp Greenwich południk CIP yp x
3
Transformacja pomiędzy Niebieskim i Ziemskim Systemami Odniesienia
Q(t) ruch niebieskiego bieguna pośredniego (CIP) w systemie niebieskim (model precesji nutacji IAU poprawki dX, dY) W(t) Ruch bieguna CIP w systemie ziemskim (współrzędne xp, yp bieguna) R(t) rotacja Ziemi wokół osi biegunowej (UT1-UTC)
4
IERS Rapid Service/Prediction Centre
W celu uzyskania informacji o pozycji obiektu znajdującego się poza rotującą Ziemią w czasie rzeczywistym należy wiedzieć jaki mają się do siebie współrzędne stacji obserwacyjnej określone w układzie ziemskim względem współrzędnych tego obiektu określonych zwykle w układzie niebieskim. Nawiązanie układów jest możliwe dzięki prognozom parametrów orientacji Ziemi (x, y, UT1-UTC, dX, dY). Prognozy parametrów ruchu obrotowego Ziemi pozwalające na transformację układów służą do precyzyjnego pozycjonowania radioteleskopów (DSN), które utrzymują łączność z sondami kosmicznym (Cassini, Opportunity, Spirit, Mars Global Serveyor, Rosetta, Stardus, Voyager-1, Voyager-2). Obserwacje technikami: VLBI, SLR, GPS, DORIS nie pozwalają na wyznaczenie parametrów orientacji Ziemi w czasie rzeczywistym dlatego konieczne jest ich prognozowanie. Wyznaczaniem prognozy tych parametrów zajmuje się IERS RS/PC (Rapid Service/Prediction Centre) w US Naval Observatory w Waszyngtonie czas UT1-UTC prognozowany jest z wykorzystaniem prognozy składowej osiowej momentu pędu atmosfery (Johnson et al., 2005) otrzymywanej w procesie dynamicznego wyznaczenia modelu cyrkulacji atmosfery oraz prognozy pogody współrzędne x, y bieguna prognozowane są kombinacją metody najmniejszych kwadratów i autoregresji (Kosek i in., 2004) obecna dokładność modelu precesji-nutacji IAU2000 jest bardzo wysoka dlatego residua precesji-nutacji dX, dY pokazują jedynie niedeterministyczny sygnał z okresem ok dni i o amplitudzie rzędu 0.3 mas pochodzący od rotacji ciekłego jądra Ziemi. Prognoza precesji i nutacji wyznaczana jest zatem jako ekstrapolacja modelu IAU2000.
5
Dane EOP x, y, Δ, UT1-UTC, dX, dY - IERS ( ), Δt = 1 dzień χ3, AAM ( ) Δt=0.25 dni, AER
6
Błąd wyznaczenia czasu UT1-UTC
SLR 1976 VLBI 1980 Nowe bazy VLBI 1984 GPS 1992
7
Błędy wyznaczenia parametrów orientacji Ziemi w latach 1976-2004
1980 1984 1988 1992 1996 2000 2004 x [mas] 16.3 2.6 0.72 0.53 0.29 0.12 0.074 0.058 y [mas] 14.3 1.5 0.60 0.47 0.15 0.060 UT1 [ms] 0.406 0.238 0.069 0.044 0.016 0.010 0.012 0.006 ~1.8 mm ~2.8 mm Błędy prognozy oraz ich relacje do błędów wyznaczenia w 2000 roku Dni w przyszłości 1 7 20 40 80 160 320 x, y [mas] 0.5 2.7 6.3 11 17 25 32 UT1-UTC [ms] 0.12 0.7 3.6 6.9 13 67 błąd prognozy błąd wyznaczenia x, y ~7 ~36 ~85 ~140 ~230 ~340 ~430 UT1 ~10 ~58 ~300 ~580 ~1100 ~2700 ~5600
8
Prognozowanie EOP – aktywność międzynarodowa
Earth Orientation Parameters Prediction Comparison Campaign (EOPPCC) - ( – IERS Message No 74) (H. Schuh (Chair), W. Kosek, M. Kalarus) IERS Working Group on Predictions – ( – EGU) (W. Wooden (Chair), T. Van Dam (Input data) , W. Kosek (Algorithms)
9
Czynniki wpływające na wzrost błędu prognozy parametrów orientacji Ziemi
Obecność zmian nieregularnych (w różnych zakresach częstotliwości) we współrzędnych x, y bieguna ziemskiego i zmianach czasu UT1-UTC. Zmienne w czasie amplitudy i fazy oscylacji Chandlera, rocznej i półrocznej we współrzędnych x, y bieguna ziemskiego oraz oscylacji rocznej i półrocznej w zmianach długości doby (LOD) lub UT1-UTC. Szerokopasmowy charakter wyżej wymienionych oscylacji.
10
Widma amplitudowe FTBPF współrzędnych x, y bieguna ziemskiego
11
Chandler Amplitudy Annual Semi-annual Chandler Annual Fazy Semi-annual
Amplitudy i fazy oscylacji Chandlera, rocznej i półrocznej we współrzędnych x, y bieguna ziemskiego wyznaczone metodą CD+FTLPF Chandler Amplitudy Annual Semi-annual Chandler Annual Fazy Semi-annual
12
Amplitudy Annual Semi-annual Semi-annual Fazy Annual
Amplitudy i fazy oscylacji rocznej i półrocznej w zmianach długości doby ziemskiej wyznaczone metodą CD+FTLPF Amplitudy Annual Semi-annual Semi-annual Fazy Annual
13
Techniki prognozowania
Najmniejszych kwadratów (LS) Autokowariancyjna (AC) Autoregresji (AR) Wielowymiarowa autoregresji (MAR) Algorytmy prognozowania 1) Kombinacja metod LS i AR (LS+AR), [x, y, Δ, UT1-UTC] - rząd autoregresji wyznaczony z kryterium AIC - rząd autoregresji wyznaczony empirycznie 2) Kombinacja metod LS i MAR (LS+MAR), [Δ, UT1-UTC, χ3AAM] 3) Kombinacja metod DWT i AC (DWT+AC), [x, y, Δ, UT1-UTC] Sposoby prognozowania współrzędnych x, y w układzie Kartezjańskim w układzie biegunowym
14
Prognoza współrzędnych x, y bieguna metodą LS+AR
Model LS x, y Residua x, y x, y LS AR Prognoza x, y Ekstrapolacja x, y Prognoza residuów x, y
15
Metoda autoregresji (AR)
Współczynniki autoregresji: wyznaczane są z estymatora autokowariancji : Rząd autoregresji:
16
Błędy prognoz LS i LS+AR dla współrzędnej x
17
Błędy prognoz LS i LS+AR dla współrzędnej y
18
Średnie błędy prognoz danych x, y wyznaczonych metodami LS (linie przerywane) i LS+AR (linie ciągłe) w latach (Model LS wyznaczony z 5 lat, 10 lat i 15 lat danych x – iy)
19
Błędy prognoz x, y wyznaczonych metodami LS i LS+AR (różna liczba harmonik w modelu LS)
20
Optymalny rząd autoregresji w funkcji długości prognozy AR dla danych EOP (Kalarus)
21
Średnie błędy prognoz x, y wyznaczonych metodą LS+AR w latach 1980-2007
22
Prognoza danych Δ i UT1-UTC metodą DWT+AC
diff Δ UT1-TAI UT1-UTC -- skoki sekundowe -- Model pływowy DWT BPF Δ-ΔR(ω1), Δ-ΔR(ω2),…, Δ-ΔR(ωp) Δ-ΔR AC Prognoza Δ-ΔR Prognoza składowych częstotliwościowych Δ-ΔR(ω1) + Δ-ΔR(ω2) + … + Δ-ΔR(ωp) + Model pływowy Prognoza Δ Prognoza UT1-TAI Prognoza UT1-UTC int + skoki sekundowe
23
Dekompozycja sygnału x(t) metodą DWT BPF na składowe częstotliwościowe (Popiński 1996)
- indeks skali - indeks translacji Współczynniki transformaty: gdzie dyskretna funkcja falkowa, której transformata Fouriera wynosi: - Transformata Fouriera funkcji falkowej Meyer’a
24
Dekompozycja Δ-ΔR metodą DWT BPF z funkcją falkową Meyer’a
25
Prognoza autokowariancyjna (Kosek 1993)
- Stacjonarny proces zespolony - prognoza
26
Przykładowe 100-dniowe prognozy zmian długości doby ziemskiej
wyznaczone metodą DWT+AC Prognozy LOD LOD
27
Średni błąd prognozy Δ i UT1-UTC (EOPPCC)
28
Prognozowanie x, y w układzie biegunowym
Średni biegun Transformacja z układu biegunowego do Kartezjańskiego (liniowe wcięcie w przód)
29
Prognoza x, y metodą DWT+AC w układzie biegunowym
Średni biegun xm, ym Ekstrapolacja LS xm, ym LS LPF x, y transformacja DWT BPF R(ω1), R(ω2) , … , R(ωp) xn, yn R – promień polhodii A – prędkość kątowa A(ω1), A(ω2), … , A(ωp) AC Prognoza składowych częstotliwościowych Prognoza Rn+1, An+1 Rn+1(ω1) + Rn+1(ω2) + … + Rn+1(ωp) liniowe wcięcie w przód An+1(ω1) + An+1(ω2) + … + An+1(ωp) Prognoza xn+1, yn+1
30
Średni biegun, promień polhodii i prędkość kątowa
2007
31
Średnie błędy prognozy x, y (EOPPCC)
32
Prognoza metodą autoregresji wielowymiarowej
- macierze autoregresji, - rząd autoregresji: - macierz kowariancji residuów.
33
Prognoza zmian długości doby Δ-ΔR metodami LS+AR i LS+MAR
model LS Δ-ΔR residua ε(Δ-ΔR) residua εAAMχ3 Model LS AAMχ3 & Δ-ΔR AAMχ3 LS AR MAR Ekstrapolacja LS Δ-ΔR Prognoza Δ-ΔR Prognoza AR ε(Δ-ΔR) Prognoza MAR ε(Δ-ΔR)
34
Porównanie błędów prognoz danych Δ i UT1-UTC wyznaczonych metodami LS, LS+AR i LS+MAR (T. Niedzielski)
35
Wnioski Dokładność prognozy danych EOP zależy od momentów czasu, w którym rozpoczynamy prognozowanie ze względu na występujące zmiany nieregularne, zmienne w czasie amplitudy i fazy energetycznych oscylacji oraz szerokopasmowy charakter tych oscylacji. Kombinacja metod LS+AR dostarcza prognoz współrzędnych x, y bieguna ziemskiego z najwyższą dokładnością. Zwiększenie liczby harmonik w modelu LS nie poprawia dokładności prognozy danych x, y (bardziej dokładna aproksymacja nie gwarantuje bardziej dokładnej prognozy). Średnie błędy prognoz danych x, y dla prognozy o określonej długości zależą od wyznaczonego rzędu autoregresji. Prognozowanie współrzędnych x, y bieguna ziemskiego może być zrealizowane w układzie biegunowym z dokładnością porównywalną do innych metod. Prognozowanie danych EOP w różnych zakresach częstotliwości może być zrealizowane poprzez zastosowanie dekompozycji sygnału za pomocą filtru środkowo-przepustowego transformaty falkowej. Prognoza danych EOP jest sumą prognoz składowych częstotliwościowych. Prognoza danych UT1-UTC i LOD może zostać poprawiona poprzez zastosowanie kombinacji LS+MAR, która bierze pod uwagę składową osiową momentu pędu atmosfery.
36
Comparison the Kalman filter and LS+AR prediction errors of x, y data
37
Comparison of LS+AR and LS+MAR prediction errors of UT1-UTC data in 1990-2007
38
CD+FTLPF In the combination of complex demodulation and FT low pass filter determination of the instantaneous phases in real-valued time series can be made in the following steps: 1) Multiplication of the signal by complex-valued harmonic with the frequency 2) Filtration of the transformed signal using the FTLPF for complex-valued series: where is the parabolic transmittance function with window half-width . 3) Computation of instantaneous phases:
Podobne prezentacje
© 2024 SlidePlayer.pl Inc.
All rights reserved.