Spatial Data: Science, Research and Technology

Пространственные данные: наука и технологии

2782-6678

6acb956af4b8442800470782

10.30533/scidata-2024-15-11.

Геодезия

Geodesy

Геодезия

Investigation of time series of several stations obtained from processing RINEX files

Исследование (анализ) временных рядов нескольких станций, полученных из обработки RINEX-файлов

https://orcid.org/0000-0002-1687-0540

Рахмонов

Самандар Саматович

Rakhmonov

Samandar Samatovich

rahmonov_samandar@inbox.ru

https://orcid.org/0000-0001-7015-4142

Рахманов

Алиджон Саматович

Rakhmanov

Alidzhon Samatovich

alirakhmonov96@mail.ru

Московский государственный университет геодезии и картографии (МИИГАиК) Москва Россия Moscow State University of Geodesy and Cartography (MIIGAiK) Moscow Russian Federation

28 06 2024

15 2 59 83 24 04 2024 21 06 2024

2024

Рахмонов Самандар Саматович, Рахманов Алиджон Саматович

Rakhmonov Samandar Samatovich, Rakhmanov Alidzhon Samatovich

DOI:10.30533/scidata-2024-15-11.

Накопленные наблюдения природных явлений или эффектов в течение длительного периода времени становятся хорошим материалом для изучения природы этих явлений. В статье рассмотрены накопленные спутниковые измерения нескольких станций, полученные из EarthScope Consortium (UNAVCO). Эти измерения обработаны в gLAB методом PPP (точное точечное позиционирование), далее выполнен их анализ численными методами в MATLAB. Для анализа временных рядов необходимо подбирать модели таким образом, чтобы они были адекватными, — это важное требование для их выбора, иначе результаты могут быть неправильными. Требуется заранее знать или определить значимые характеристики временного ряда, которыми будут математическое ожидание и дисперсия. На основе этих двух характеристик делается вывод о виде ряда, затем выполняется подбор модели. Для стационарных (если математическое ожидание и дисперсия постоянны) и нестационарных (математическое ожидание и дисперсия изменяются со временем) рядов существуют определенные группы моделей. Есть также универсальные модели (вейвлет-разложение, сингулярный спектральный анализ и т.д.), которые можно применять для анализа как стационарного, так и нестационарного ряда.

Accumulated observations, such as natural phenomena or effects, over a long period of time become good material for studying the nature of these phenomena. In our case, the accumulated satellite measurements of several stations obtained from the EarthScope Consortium (UNAVCO) are considered. These measurements were processed in gLAB using the PPP method (precise point positioning), then their analysis was performed using numerical methods in MATLAB. To analyze time series, it is necessary to select models in such a way that they are adequate – this is an important requirement for their selection, otherwise the results may not be correct. It is important to know in advance or determine the significant characteristics of the time series, which will be the expectation and variance. Based on these two characteristics, a conclusion is made about the type of series and then the model is selected. For stationary series (if expectation and variance are constant) and non-stationary (expectation and variance change over time), there are groups of models applied to a certain type of time series. There are universal models (wavelet decomposition, singular spectral analysis, etc.), they can be used to analyze both stationary and non-stationary series.

временные ряды анализ временных рядов обработка спутниковых измерений сезонные эффекты периодические эффекты адаптивный анализ GNSS Laboratory (gLAB) MATLAB трендовая функция аддитивная модель

time series time series analysis satellite measurement processing seasonal effects periodic effects adaptive analysis GNSS Laboratory (gLAB) MATLAB trend function additive model

Фазилова Д.Ш., Кузин С.П., Махмудов М.Д. Исследование основных компонент временных рядов изменения координат станций GNSS и DORIS в Китабе // Труды ИПА РАН. 2019. Вып. 49. С. 69–77. DOI:10.32876/ApplAstron.49.69-77.

Fazilova DSh, Kuzin SP, Makhmudov MD. Issledovanie osnovnyh komponent vremennyh rjadov izmenenija koordinat stancij GNSS i DORIS v Kitabe [Time Series of Changes in the Coordinates of the GNSS and DORIS Stations in Kitab: investigation of the main components]. Transactions of IAA RAS. 2019;49: 69–77. (In Russian). DOI:10.32876/ApplAstron.49.69-77.

Perović G. Least Squares: monograph. Belgrade: Faculty of Civil Engineering, 2005. 400 p.

Perović G. Least Squares: monograph. Belgrade: Faculty of Civil Engineering; 2005. 400 p.

Газизов Д.И. Обзор методов статистического анализа временных рядов и проблемы, возникающие при анализе нестационарных временных рядов // Научный журнал. 2016. Т. 3. No 4. С. 9–14.

Gazizov DI. Obzor metodov statisticheskogo analiza vremennyh rjadov i problemy, voznikajushhie pri analize nestacionarnyh vremennyh rjadov [Review of methods of statistical analysis of time series and problems arising in the analysis of non-stationary time series]. Scientific Journal. 2016;3(4): 9–14. (In Russian).

Мандрикова О.В. Многокомпонентная модель временного ряда // Вестник Камчатского государственного технического университета. 2008. No 7. С. 39–44.

Mandrikova OV. Mnogokomponentnaya model’ vremennogo ryada [A multicomponent time series model]. Bulletin of Kamchatka State Technical University. 2008;7: 39–44. (In Russian).

Муллер Н.В., Младова Т.А. Комплексный анализ временных рядов с помощью фрактального и вейвлет-анализа // Ученые записки Комсомольского-на-Амуре государственного технического университета. 2020. Т. 7. No 47. С. 20–25.

Muller NV, Mladova TA. Kompleksnyj analiz vremennyh rjadov s pomoshh’ju fraktal’nogo i vejvlet-analiza [The complex analysis of time series using fractal and wavelet analysis]. Scientific Notes of Komsomolsk-On-Amour State Technical University. 2020;7(47): 20–25. (In Russian).

Рахманов А.С. Пост-обработка спутниковых наблюдений для выявления сейсмической активности локальных территорий в программе Glab // Политехнический вестник. Серия: Инженерные исследования. 2021. Т. 3. No 55. С. 79–84.

Rakhmanov AS. Post-obrabotka sputnikovyh nabljudenij dlja vyjavlenija sejsmicheskoj aktivnosti lokal’nyh territorij v programme Glab [Post-processing of satellite observations to detect the seismic activity of local territories in the glab software]. Polytechnic bulletin. Series: engineering studies. 2021;3(55): 79–84. (In Russian).

Trenberth K.E., Fasullo J., Smith L. Trend and variability in column integrated atmospheric water vapor // Climate Dynamics. 2005. Vol. 24. P. 741–758. DOI:10.1007/s00382-005-0017-4.

Trenberth KE, Fasullo J, Smith L. Trend and variability in column integrated atmospheric water vapor. Climate Dynamics. 2005;24: 741–758. DOI:10.1007/s00382-005-0017-4.

Попадьев В.В. Гармонический анализ горизонтальных движений точек земной поверхности в системе ITRF // Геодезия и картография. 2023. No 12. С. 10–16. DOI:10.22389/0016-7126-2023-1002-12-10-16.

Popadyev VV. Garmonicheskij analiz gorizontal’nyh dvizhenij tochek zemnoj poverhnosti v sisteme ITRF [Harmonic analysis of the earth’s surface points’ horizontal movements in the ITRF]. Geodesy and cartography. 2023;84(12): 10–16. (In Russian). DOI:10.22389/0016-7126-2023-1002-12-10-16.

Bin G.F., Gao J.J., Li X.J., et al. Early fault diagnosis of rotating machinery based on wavelet packets — Empirical mode decomposition feature extraction and neural network // Mechanical Systems and Signal Processing. 2012. Vol. 27. No. 1. P. 696–711. DOI:10.1016/j.ymssp.2011.08.002.

Bin GF, Gao JJ, Li XJ, et al. Early fault diagnosis of rotating machinery based on wavelet packets — Empirical mode decomposition feature extraction and neural network. Mechanical Systems and Signal Processing. 2012;27(1): 696–711. DOI:10.1016/j.ymssp.2011.08.002.

10.

Golyandina N.E., Shlemov A.Yu. Variations of Singular Spectrum Analysis for separability improvement: non-orthogonal decompositions of time series // Statistics and its Interface. 2015. Vol. 8. No. 3. P. 277–294. DOI:10.4310/SII.2015.v8.n3.a3.

Golyandina NE, Shlemov AYu. Variations of Singular Spectrum Analysis for separability improvement: non-orthogonal decompositions of time series. Statistics and its Interface. 2015;8(3): 277–294. (In Russian). DOI:10.4310/SII.2015.v8.n3.a3.