Titelaufnahme

Titel
Anwendung eines Kalman-Filters in der Auswertung von VLBI-Daten / von Dipl.-Ing. Benedikt Soja
Weitere Titel
Application of Kalman Filtering in VLBI Data Analysis
VerfasserSoja, Benedikt
Begutachter / BegutachterinSchuh, Harald
ErschienenWien, März 2016
Umfangvii, 152 Seiten : Diagramme, Karten
HochschulschriftTechnische Universität Wien, Dissertation, 2016
Anmerkung
Zusammenfassung in englischer Sprache
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
SpracheDeutsch
Bibl. ReferenzOeBB
DokumenttypDissertation
Schlagwörter (DE)VLBI / Kalman-Filter / Atmosphäre / TRF
Schlagwörter (EN)VLBI / Kalman filtering / atmosphere / TRF
Schlagwörter (GND)VLBI / Troposphäre / Datenauswertung / Kalman-Filter
URNurn:nbn:at:at-ubtuw:1-2148 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Anwendung eines Kalman-Filters in der Auswertung von VLBI-Daten [18.05 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Very Long Baseline Interferometry (VLBI) ist eines der fundamentalen geodätischen Weltraumverfahren. Wichtige Ziele für die nächste Generation an VLBI-Technologie sind die kontinuierliche Durchführung von Beobachtungen und eine automatische Datenverarbeitung. Zu diesem Zwecke ist es notwendig, echtzeitfähige Parameterschätzungsalgorithmen, wie das Kalman-Filter, in der VLBI-Auswertung einzuführen. Im Rahmen dieser Arbeit wurde ein solches Filter in die VLBI-Software VieVS@GFZ implementiert und verschiedenste Aspekte in Bezug auf die Prozessierung von VLBI-Daten untersucht. Innerhalb des entsprechenden Moduls VIE_KAL ist es u.a. möglich, alle in der VLBI-Auswertung gängigen Parameter zu schätzen, deren stochastische Modelle anzupassen, flexibel das Datum zu definieren, externe Daten zu integrieren sowie datumsfreie Normalgleichungen zu extrahieren. Der Fokus der Untersuchungen wurde auf den Einfluss der Troposphäre, der wichtigsten Fehlerquelle in der VLBI-Auswertung, und auf die Bestimmung von Stationspositionen, welche in der Geodäsie von wesentlicher Bedeutung sind, gelegt. Für die stochastische Modellierung der troposphärischen Laufzeitverzögerungen wurden stations- und zeitabhängige Unterschiede berücksichtigt. In Vergleichen mit troposphärischen Parametern aus GNSS, Wasserdampfradiometern und numerischen Wettermodellen wies die Kalman-Filter-Lösung um 5 bis 15% geringere Differenzen als eine Kleinste-Quadrate-Lösung auf, die auf denselben Modellen und VLBI-Daten basierte. Auch in Bezug auf geschätzte Stationskoordinaten wies die Kalman-Filter-Lösung bessere Basislinienlängen- und Koordinatenwiederholbarkeiten auf. Die Anwendung des stationsabhängigen Prozessrauschens brachte eine zusätzliche Verbesserung. Des Weiteren wurde das Kalman-Filter dazu verwendet, subtägliche Stationskoordinatenvariation aufgrund von Gezeiten und Auflasteffekten zu bestimmen. Schließlich wurden die gewonnenen Erkenntnisse dazu verwendet, Kalman-Filter-basierte globale terrestrische Referenzrahmen (TRF) zu bestimmen. Für die stochastische Modellierung der Koordinatenvariationen einzelner Stationen wurden Auflastdeformationszeitreihen herangezogen. Durch den nichtdeterministischen Ansatz des Filters war es möglich, nichtlineare Positionsbewegungen, verursacht z.B. durch unregelmäßige saisonale Effekte oder postseismische Deformationen, zu berücksichtigen. In Vergleichen mit einer VLBI-TRF-Lösung mittels einer klassischen Ausgleichung und dem ITRF2008 zeigten sich gute Übereinstimmungen in Bezug auf die Transformationsparameter und Stationsgeschwindigkeiten. Das Testen verschiedener Optionen bezüglich der Parametrisierung und stochastischen Modellierung führte zu Erkenntnissen, wie zukünftige Referenzrahmen verbessert werden können.

Zusammenfassung (Englisch)

Very long baseline interferometry (VLBI) is one of the fundamental space geodetic techniques. Important goals for the next generation of VLBI technology are continuous operations as well as automated data processing. For this reason, it is necessary to introduce real time capable parameter estimation algorithms, such as Kalman filters, to VLBI data analysis. In this study, such a filter was implemented in the VLBI software VieVS@GFZ, and several aspects related to VLBI data processing were investigated. Within the corresponding module VIE_KAL it is possible, for example, to estimate all parameters important in VLBI analysis, adapt their stochastic models, flexibly define the datum, integrate external data, as well as extract datum free normal equations. The foci of the investigations were on the effects of the troposphere, the most important error source in VLBI analysis, and on the determination of station positions, which are of great importance in geodesy. For the stochastic model of the tropospheric delays, station- and time-dependent differences were considered. In comparisons with tropospheric parameters from GNSS, water vapor radiometers and numerical weather models, the Kalman filter solution yielded 5 to 15% smaller differences than a least squares solution based on the same models and VLBI data. Also in the case of estimated station coordinates, the Kalman filter solution exhibited better baseline length and station coordinate repeatabilities. The application of station-based process noise led to additional improvements. Furthermore, the Kalman filter was used to estimate subdaily station coordinate variations caused by tidal and loading effects. Finally, the findings were used to determine Kalman-filter-based global terrestrial reference frames (TRFs). For the stochastic model of the coordinate variations of particular stations, loading deformation time series were utilized. The non-deterministic approach of the Kalman filter allowed the consideration of non-linear station movement, for example, due to irregular seasonal effects or post-seismic deformations. In comparisons with a VLBI TRF solution from a classical adjustment and ITRF2008, a good agreement in terms of transformation parameters and station velocities was achieved. The findings from testing different options related to the parameterization and to the stochastic model will help to improve future reference frames.