Vertical Deformation of Seasonal Hydrological Loading in Southern Tibet Detected by Joint Analysis of GPS and GRACE
-
摘要: 利用青藏高原南部地区GPS站点近10 a（2004年至2014年）的观测资料，结合重力场恢复与气候实验卫星（Gravity Recovery and Climate Experiment，GRACE）同时期观测数据反演得到的该区域水文负荷变化引起的垂向位移，发现该地区利用GPS和GRACE获取的垂向位移时间序列存在一定相关性，多数站点的相关系数在0.7左右，特别是沿喜马拉雅造山带区域内的站点相关性更高；此外，大部分站点（例如CHLM、KKN4）拟合的周期项振幅和相位也较为一致。计算GRACE估算垂直信号改正GPS结果前后的加权均方根误差（weighted root mean square，WRMS），并定义RWRMS来表征GRACE改正GPS垂向季节性波动的有效性，其数值越接近1表明GPS和GRACE数据具有越大的一致性。研究发现GPS站点的RWRMS有明显差异：最大和最小值分别是0.96（TPLJ）和0.24（XZGE），平均值为0.64，这与青藏高原南部地区垂直运动的复杂性有关，存在多种因素（构造运动、冰川均衡调整、大气和非潮汐海洋负荷，水文负荷、GPS交点年误差等）的共同作用。Abstract: Using the observation data of GPS sites in southern Qinghai-Tibet plateau in recent 10 years (2004-2014) and combing with the observation data inversion of the GRACE period regional hydrological load changes caused by the vertical displacement, it can be found by GPS and GRACE that there is a vertical displacement time series in a certain correlation. The correlation coefficient of most sites is around 0.7; especially the site of Himalayan orogenic belt, the correlation is higher than others. Most sites, such as CHLM and KKN4, the fitting cycle amplitude and phase are in consistent. Defining RatioWRMS to characterize of GRACE to correct the effectiveness of the GPS vertical hydrological load, the value closing to 1 indicates that GPS and GRACE data have a greater consistency; The study showed that the different areas of GPS sites RWRMS have obvious differences:maximum and minimum value are respectively 0.96 (TPLJ) and 0.24 (XZGE), while the average is 0.64. This is associated with the south Tibetan region of the complexity of the vertical movement, there are many factors (tectonic movement, GIA, the non-tidal atmosphere and ocean, Seasonal Hydrological Load, the tides, etc.) work together.This article research results to further study the south Tibetan region of tectonic movement has important reference value.
-
Keywords:
- the Southern Qinghai-Tibet Plateau /
- GPS /
- GRACE /
- vertical seasonal fluctuations
-
运用GPS对地壳进行监测，主要是在一系列固连在稳定基岩上的地面观测墩上进行观测，以此来监测地壳的运动，从而反映地球内部的构造运动。然而，季节性的水圈运动会引起岩石圈的周期性位移，GPS的观测数据中必然会包含非地球内部构造运动引起的地表位移。部分学者开始关注这一现象，并对区域或全球由陆地水(主要为土壤水和冰雪等)、大气、海洋和海洋非潮汐等负荷变化引起的GPS连续站季节性变化(尤其是垂直方向)进行了研究。如何改正GPS观测中非构造运动引起的地表位移，是目前的研究热点。
重力场恢复与气候实验卫星(Gravity Recovery and Climate Experiment, GRACE)以前所未有的精度和分辨率获取全球时变重力场信息，其提供的时变重力场模型可反映非大气、非海洋的质量随时间变化。GRACE重力卫星对陆地水负载敏感，可定量地分析陆地水变化，在季节性尺度上，对陆地区域而言，主要表现为陆地水储量的变化。因此，用GRACE改正GPS观测站的季节性变化是一条比较理想的途径。本文的思路就是利用GRACE观测到的季节性效应去改正GPS台站时间序列中的季节项并评估其有效性。
青藏高原南部地区受到夏季季风的影响，降水呈现显著的季节性效应，由此导致该区域的GPS台站存在季节性波动[1-3]，该季节性波动是应用GPS进行青藏高原地区构造运动研究的一项重要误差。本文使用美国德克萨斯大学空间研究中心(Center for Space Research, CSR)提供的GRACE月重力数据，GPS数据采用中国大陆构造环境监测网络(Crustal Movement Observation Network of China，CMONOC)的GPS基准站和境外(主要分布在尼泊尔)的GPS连续站。LHAZ站为陆态网络1期站点，从1998年开始观测；国内其余站点均为陆态网络2期站点，从2010年开始记录数据；境外站点由加州理工大学布设，观测时间相对较长，跨度在1997年至2013年。图 1和表 1分别展示了站点分布和观测时间的详细信息。
![]()
图 1 青藏高原南部的GPS站点分布图Figure 1. Distribution of GPS Sites in the Southern Qinghai-Tibet Plateau表 1 GPS站点信息Table 1. GPS Site Information点名 纬度/(°) 经度/(°) 观测时间(年积日) RWRMS 周年振幅/mm 半周年振幅/mm 相关系数 GPS GRACE GPS GRACE BMCL 28.66 81.71 07077-13160 0.62 5.78 4.88 3.03 1.91 0.57 BYNA 29.47 81.20 09106-12179 0.67 5.87 4.18 3.07 1.76 0.85 CHLM 28.21 85.31 04091-13240 0.80 6.89 5.83 3.18 1.77 0.50 DAMA 27.61 85.11 04001-10099 0.73 6.23 6.21 3.90 1.89 0.86 DLPA 28.98 82.82 07131-13091 0.85 6.42 4.86 2.26 1.79 0.67 DNGD 28.75 80.58 08128-13241 0.61 3.58 4.55 2.93 1.92 0.20 DRCL 29.73 80.50 08073-13241 0.80 5.01 3.82 4.17 1.73 0.58 GNTW 29.18 80.63 08120-12182 0.44 9.68 4.26 4.40 1.84 0.72 GRHI 27.95 82.49 07128-13241 0.58 6.02 5.53 2.60 2.00 0.72 JMLA 29.28 82.19 07135-13241 0.70 6.95 4.53 4.76 1.76 0.83 JMSM 28.81 83.74 04124-12142 0.77 9.33 5.15 0.93 1.77 0.83 KKN4 27.80 85.28 04080-13241 0.50 10.48 6.11 3.70 1.84 0.75 KLDN 27.77 83.60 04102-12343 0.39 7.36 5.85 2.90 1.97 0.69 LHAZ 29.66 91.10 09001-13277 0.77 8.66 5.39 2.16 1.04 0.93 NPGJ 28.12 81.60 07139-13179 0.61 8.26 5.24 2.44 2.01 0.51 ODRE 26.87 87.39 04314-13153 0.70 10.01 7.11 3.13 1.77 0.62 RBIT 26.85 89.39 04001-06001 0.79 9.96 7.45 1.70 1.56 0.41 RMJT 27.31 86.55 09310-13215 0.65 11.17 6.67 5.79 1.80 0.92 RMTE 26.99 86.60 08266-13241 0.68 8.87 6.88 3.13 1.84 0.76 SIM4 27.17 84.99 04087-10098 0.63 10.19 6.48 4.03 1.96 0.82 SMKT 29.97 81.81 08139-13241 0.84 4.93 3.95 3.16 1.63 0.82 SRNK 28.26 83.94 05106-12157 0.72 4.56 5.57 3.69 1.86 0.82 SYBC 27.81 86.71 08277-09328 0.60 6.75 6.35 4.79 1.71 0.58 TIMP 27.47 89.63 04001-08095 0.77 10.28 7.05 2.75 1.47 0.79 TPLJ 27.35 87.71 04069-13091 0.96 6.56 6.85 1.30 1.68 0.46 XZAR 29.27 87.18 11117-13131 0.60 7.86 5.32 3.95 1.43 0.74 XZBG 30.84 81.43 11091-13131 0.49 7.08 3.26 3.45 1.45 0.68 XZDX 30.48 91.10 10263-13131 0.68 6.96 4.72 3.84 0.94 0.88 XZGE 32.52 80.11 10343-13131 0.25 2.98 1.97 4.63 1.12 0.44 XZNQ 31.49 92.11 10255-13131 0.50 6.42 4.03 4.93 0.75 0.82 XZRK 29.25 88.87 11160-13131 0.53 7.23 5.55 4.95 1.29 0.71 XZRT 33.39 79.72 12299-13131 *0.07 *30.83 1.56 *17.14 0.93 0.38 注：*表示该数据存在异常的情况，可能是数据观测周期太短，受到异常值的影响较大 1 大地测量数据及其处理
1.1 GPS数据处理
GPS数据处理采用GIPSY/OASIS软件(5.0版本)精密单点定位模式，利用测站每日记录的相位和伪距数据计算当日测站坐标三分量及其方差-协方差，每日形成一个测站坐标解算结果文件(单日解)。计算时固定模糊度，使用美国的喷气推进实验室(Jet Propulsion Laboratory, JPL)的精密轨道/钟差，绝对天线相位中心模型，对流层模型方面采用全球映射函数(global mapping function, GMF)及全球气压和温度(global pressure and temperature, GPT)模型提供的对流层干分量作为先验值。在海潮模型改正方面，为避免系统误差，并与JPL的精密轨道和钟差产品保持良好的自洽性[4]，采用TPXO7.0海潮模型，并通过格林函数将其改正到地心(center Earth system, CM)参考框架。
采用上述解算策略和模型，获取测站的无基准单日解，通过相似变化得到ITRF2008坐标参考框架下各站点北(N)、东(E)、垂直(U)各坐标分量的时间序列。
1.2 GRACE数据处理
目前提供GRACE产品的机构有法国的空间大地测量学研究组(Space Geodesy Research Group, GRGS)、美国的CSR、德国地学研究中心(GeoForschungsZentrum，GFZ)和美国的JPL，其中除了GRGS的RL02产品为10日解，其他产品均为月解。
本文使用CSR提供的RL05(Level-2 Release-05)月重力场产品GSM，时间跨度为2002-2014年。数据处理中采用文献[5]的一阶项结果代替；采用高斯平滑滤波方法，选取平滑半径为400 km；GRACE轨道存在系统误差，使用高精度人卫激光测距仪(satellite laser ranging, SLR)计算的C20替换[6]；利用文献[7]方法做去相关性处理。
1.3 GRACE数据反演地表垂直变形
根据文献[8]的理论，GRACE反演地表垂直位移Δh的数学表达为：
$$ \begin{gathered} \Delta h = r\sum\limits_{l = 0}^\infty {\sum\limits_{m = 0}^l {{{\bar P}_{lm}}} \left( {\cos \theta } \right)\left( {\Delta {C_{lm}}\cos \left( {m\varphi } \right) + } \right.} \hfill \\ \;\;\;\;\;\;\;\;\;\;\;\;\left. {\Delta {S_{lm}}\sin \left( {m\varphi } \right)} \right)\frac{{h{'_l}}}{{1 + k{'_l}}} \hfill \\ \end{gathered} $$ (1) 式中，r为地球半径；θ、φ为余纬和经度；Plm为正则化的勒让德函数；h′ l和k′ l为负荷勒夫数，本文中采用文献[9]计算的数值；(ΔClm, ΔSlm)是GRACE的球谐系数产品。另外，值得注意的是GRACE重力场的变化通过球谐系数的变化来体现，球谐系数的变化一般有3种方法进行计算：(1)减去研究时间区内的平均系数值；(2)减掉某一静态重力场模型的系数值；(3)减掉某一月的系数值。本文采取第一种计算方法，减去2002-2014年间的平均系数值。
2 GPS和GRACE反演垂直形变结果分析
2.1 周期项与振幅
GPS时间序列资料的分析，通常考虑长周期运动、同震变形以及震后变形等因素。GPS单站、单分量坐标序列y(ti)一般用下列周期性模型来表示[10]：
$$ \begin{gathered} y\left( {{t_i}} \right) = a + b{t_i} + c\sin \left( {2{\rm{ \mathsf{ π} }}{t_i}} \right) + d\cos \left( {2{\rm{ \mathsf{ π} }}{t_i}} \right) + \hfill \\ e\sin \left( {4{\rm{ \mathsf{ π} }}{t_i}} \right) + f\cos \left( {4{\rm{ \mathsf{ π} }}{t_i}} \right) + \sum\limits_{j = 1}^{{n_g}} {{g_j}} H\left( {{t_i}-{T_{{g_j}}}} \right) + {\upsilon _i} \hfill \\ \end{gathered} $$ (2) 式中，ng表示有ng个地震(阶跌)发生；ti是以年为单位；系数a、b分别代表地壳位置和线性变换率；系数c、d、e和f描述了周年和半周年运动振幅；系数gj代表地震造成的同震偏移；H(ti-Tgj)为阶跃函数；vi为残差值，代表观测值与预测值间的差异。
时间序列中的周年项和半周年项的振幅(Aann和Asemi-ann)、相位(Φann和Φsemi-ann)计算公式为：
$$ {A_{{\text{ann}}}} = \sqrt {{c^2} + {d^2}}, {\varphi _{{\text{ann}}}} = {\text{arctan}}\left( {d/c} \right) $$ (3) $$ {A_{{\text{semi-ann}}}} = \sqrt {{e^2} + {f^2}}, {\varphi _{{\text{semi-ann}}}} = {\text{arctan}}\left( {f/e} \right) $$ (4) GPS结果中包括由地理物理现象造成的长期线性项(例如板块运动和冰后回弹等)，而本文重点关注GPS站坐标时间序列的季节性波动，因此，首先扣除GPS时间序列中的趋势项部分，暂不对长期线性变化进行研究。根据式(2)~(4)，可获得GPS站坐标时间序列线性及周期项拟合结果，周年项及半年项参见表 1。从表 1中可以看出，GPS站的垂向位移时间序列周年项振幅最大可达11.17 mm，半周年项振幅最大为5.79 mm(均为位于尼泊尔境内的RMJT站)。
图 2所示为CHLM和KKN4 GPS站坐标时间序列的线性拟合与周期性拟合曲线，从图 2中可看出二者时间序列存在明显的周期性，GPS周年振幅分别高达6.89 mm和10.48 mm，这对地壳形变研究而言，都是不容忽视的误差。无论从相位还是振幅分析，CHLM站上GRACE计算结果和GPS观测结果都吻合很好。
![]()
图 2 GPS观测值及其拟合的线性部分和非线性部分与GRACE模型比较Figure 2. Seasonal Variations in Two Sites Compareing GPS Observations, GPS Nonlinear Fit, GPS Linear Fit with CSR RL052.2 相关性分析
两种不同空间技术获取的时间序列，其周期性若存在相关，则存在两种可能：
1) 两个周期项实为同一周期，即由同一个物理因素所引起，由于所采用分析方法的不同或者分辨率和定位精度所限，而显现出两个周期。
2) 引起两个周期项的物理因素之间具有相关性。
因此，可采用GPS与GRACE之间的相关性来判断两者是否为同一周期项，或者为由同一物理因素产生的周期振动。若相关性不显著，则需进一步探讨。
比较GPS和GRACE时间序列的相关系数(见表 1)，发现GPS和GRACE获取的垂向位移时间序列存在一定相关性，多数站点的相关系数在0.7左右，特别是沿喜马拉雅造山带区域内的站点相关性更高。结合GPS观测与GRACE反演模型时间序列相关性的空间展布(见图 3)，可以看出二者存在一定的空间相关性。
![]()
图 3 GPS观测与GRACE反演模型数据在垂直向相关性图Figure 3. Correlation Map Between GPS Observation and GRACE Inversion Model in Vertical Displacement2.3 一致性分析
为了更进一步论证GPS与GRACE垂直分量的周期(季节项为主)一致性，定量评估GRACE改正GPS数据的有效性，可估算改正前后GPS测站时间序列加权均方根误差(weighted root mean square, WRMS)，公式为：
$$ \begin{gathered} \;\;\;\;{W_{{\text{GPS}}}} = \sqrt {\frac{1}{n} \cdot \sum\limits_{i = 1}^n {\frac{1}{{\sigma _i^2}} \cdot {c_i}} } \hfill \\ \;\;\;\;\;\;\;\;\;\;\;{W_{{\text{GPS-GRACE}}}} = \hfill \\ \sqrt {\frac{1}{n} \cdot \sum\limits_{i = 1}^n {\frac{1}{{\sigma _i^2 + \sigma _{Gi}^2}}{{\left( {{c_i}-\Delta h_i^G} \right)}^2}} } \hfill \\ \end{gathered} $$ (5) 式中，n为单日解的个数；ci(i=1, 2, 3…n)是测站坐标序列的垂直分量(去掉趋势项)；σi是GPS垂直分量标准误差；ΔhiG是测站垂直分量的GRACE改正；σGi是GRACE反演垂直分量标准误差；WGPS和WGPS-GRACE分别表示GPS测站时间序列WRMS和经过GRACE改正之后的WRMS。当WGPS-GRACE小于WGPS时说明附加GRACE季节项改正是行之有效的。同样也比照上面公式估算GPS坐标时间序列扣除自身拟合后的WGPS-GPSfit。采用定量评估公式来计算GPS基准站的WRMS减小百分比RWRMS，公式为[11]：
$$ {R_{{\text{WRMS}}}} = \frac{{{W_{{\text{GPS}}}}-{W_{{\text{GPS-GRACE}}}}}}{{{W_{{\text{GPS}}}}-{W_{{\text{GPS - GPSfit}}}}}} $$ (6) RWRMS可反映GPS与GRACE时间序列年周期项在振幅相位上的一致性，当RWRMS值为1.0时，表示GPS与GRACE分别拟合得到的周期项垂直变形完全一致。理论上，GPS测站的WRMS减小比率不超过1。通过上述公式，分别计算了青藏高原南部的32个GPS测站的WRMS和RWRMS值(见表 1)。
进一步统计发现，经GRACE改正之后，GPS的垂向位移时间序列WRMS减小，RWRMS的平均值达到了0.64；各测站的RWRMS值如图 1所示。
图 4显示了GRACE改正GPS垂向位移时间序列的效果。小圆点越靠近黄色方柱的底部，表示两者一致性越好，即RWRMS数值也就也接近1。从图中看到WGPS-GRACE比WGPS小，这说明利用GRACE改正GPS观测值是有效的。
![]()
图 4 GRACE改正GPS之后WRMS的变化图Figure 4. WRMS Reduction when Removing GPS Seasonal Variation Using GRACE-Modeled Seasonal Displacements3 讨论
3.1 季节项波动的时间与区域特征分析
从图 2可以明显看出GHLM与KKN4的时间序列存在明显的周期性，并且冬季上升，夏季降落，周期性曲线下降峰值出现在每年的7、8月，这与夏季季风带来强降水而引起地表质量负载增加的时间区间一致[12]。由此可以推断，青藏高原南部地区所呈现的季节项波动很大程度受到降水而导致的水文负载影响，夏季时地表负荷变大而冬季时减弱。
从图 3中可以看出GPS与GRACE获得的时间序列存在相关性，但相关性在整个青藏高原南部地区并非完全一致，而是表现出一定的局部特征。图 3中的西北处(XZRT、XZGE)阿里地区比图 3中东北处(LHAZ、XZDX等)拉萨地区的相关性低，尼泊尔中部地区站点的相关性比东西两侧地区的站点高。XZRT和XZGE两个站点的相关性不显著，可能的原因是较之拉萨地区，此地的季节性的水文作用并不强烈，从而导致该地区站点的GPS与GRACE垂向负荷的相关性降低。
对比分析图 1和图 3可发现二者存在一定的空间一致性，按照GPS和GRACE的相关性和RWRMS数值，大致可以将青藏高原南部地区划分成拉萨、尼泊尔中部和西北阿里3个区域。尼泊尔中部位于喜马拉雅山南麓，夏季季风带来丰富的降水；拉萨区域由于受到喜马拉雅山的阻挡，夏季季风影响有所减弱；西北阿里地区更远离喜马拉雅山，更接近青藏高原内陆，受夏季季风的影响更小。
3.2 季节项波动的成因分析
上述分析认为，青藏高原南部地区的季节项波动主要是由于夏季季风带来降雨并引起水文负载增加所致，但是GRACE反演结果与GPS观测的季节项并非完全一致，总体而言GRACE反演获得的垂向运动周年项和半周年项振幅均小于GPS的结果。从两种空间技术可能包含的误差分析，采用GRACE原始数据解算GSM重力场模型时，已使用相应背景重力场模型将非潮汐大气和高频海洋信号以及各种潮汐(包括海潮、固体潮、固体极潮)的影响扣除；GRACE计算的时间序列中主要包括由于水质量(地下水、土壤湿度、雪和冰，以及海洋质量)的重新分布造成的重力变化。而GPS观测的时间序列中包括由于地理物理现象造成的长期线性项(例如板块运动和冰后回弹等)和水文负荷、大气和海洋非潮汐因素影响。除此之外，GPS观测结果中还包括一些未模型化的误差(例如海潮改正残差、参考框架的周期变化、标墩的热胀冷缩、GPS轨道的交点年周期误差等)，该类误差也呈现出周期性特征。因此，即使从GPS测站时间序列中剔出了由于水文负载导致的季节项，还是会有其他季节项的残余，需要进一步研究。
4 结语
在GPS测站坐标时间序列中包含短周期(年-半年周期等)水文负荷造成的季节项，对研究构造形变而言是一种噪声，需要剔除。本文利用青藏高原南部GPS站点多年观测资料，结合GRACE数据反演得到该地区的季节项波动，对比GRACE对陆地水敏感的特性，并结合季节项出现的时间区间分析认为，青藏高原南部地区的季节项主要由夏季季风降水导致的水文负载变化引起。该地区GPS观测的垂向时间序列与GRACE反演的地表垂向位移存在相关性，多数站点相关性在0.7左右，使用GRACE观测获取的季节项对GPS测站时间序列进行改正，WRMS有明显减小。RWRMS存在明显差异，最大和最小值分别是0.96(TPLJ)和0.24(XZGE)，结合相关性与RWRMS，进一步研究发现不同区域季节项及其改正效果呈现较显著的局部特征，这也与夏季季风的影响范围和大小呈现一定的关联。除此之外，GPS测站时间序列中还存在一些未模型化的误差，也可能引起周期性变化，具体原因需要进一步分析。青藏高原南部地区内部不同地区构造运动强度、地表层的水负荷周期变化存在明显差异，其动力细节需要更进一步深入研究。
-
![]()
图 1 青藏高原南部的GPS站点分布图
Figure 1. Distribution of GPS Sites in the Southern Qinghai-Tibet Plateau
![]()
图 2 GPS观测值及其拟合的线性部分和非线性部分与GRACE模型比较
Figure 2. Seasonal Variations in Two Sites Compareing GPS Observations, GPS Nonlinear Fit, GPS Linear Fit with CSR RL05
![]()
图 3 GPS观测与GRACE反演模型数据在垂直向相关性图
Figure 3. Correlation Map Between GPS Observation and GRACE Inversion Model in Vertical Displacement
![]()
图 4 GRACE改正GPS之后WRMS的变化图
Figure 4. WRMS Reduction when Removing GPS Seasonal Variation Using GRACE-Modeled Seasonal Displacements
表 1 GPS站点信息
Table 1 GPS Site Information
点名 纬度/(°) 经度/(°) 观测时间(年积日) RWRMS 周年振幅/mm 半周年振幅/mm 相关系数 GPS GRACE GPS GRACE BMCL 28.66 81.71 07077-13160 0.62 5.78 4.88 3.03 1.91 0.57 BYNA 29.47 81.20 09106-12179 0.67 5.87 4.18 3.07 1.76 0.85 CHLM 28.21 85.31 04091-13240 0.80 6.89 5.83 3.18 1.77 0.50 DAMA 27.61 85.11 04001-10099 0.73 6.23 6.21 3.90 1.89 0.86 DLPA 28.98 82.82 07131-13091 0.85 6.42 4.86 2.26 1.79 0.67 DNGD 28.75 80.58 08128-13241 0.61 3.58 4.55 2.93 1.92 0.20 DRCL 29.73 80.50 08073-13241 0.80 5.01 3.82 4.17 1.73 0.58 GNTW 29.18 80.63 08120-12182 0.44 9.68 4.26 4.40 1.84 0.72 GRHI 27.95 82.49 07128-13241 0.58 6.02 5.53 2.60 2.00 0.72 JMLA 29.28 82.19 07135-13241 0.70 6.95 4.53 4.76 1.76 0.83 JMSM 28.81 83.74 04124-12142 0.77 9.33 5.15 0.93 1.77 0.83 KKN4 27.80 85.28 04080-13241 0.50 10.48 6.11 3.70 1.84 0.75 KLDN 27.77 83.60 04102-12343 0.39 7.36 5.85 2.90 1.97 0.69 LHAZ 29.66 91.10 09001-13277 0.77 8.66 5.39 2.16 1.04 0.93 NPGJ 28.12 81.60 07139-13179 0.61 8.26 5.24 2.44 2.01 0.51 ODRE 26.87 87.39 04314-13153 0.70 10.01 7.11 3.13 1.77 0.62 RBIT 26.85 89.39 04001-06001 0.79 9.96 7.45 1.70 1.56 0.41 RMJT 27.31 86.55 09310-13215 0.65 11.17 6.67 5.79 1.80 0.92 RMTE 26.99 86.60 08266-13241 0.68 8.87 6.88 3.13 1.84 0.76 SIM4 27.17 84.99 04087-10098 0.63 10.19 6.48 4.03 1.96 0.82 SMKT 29.97 81.81 08139-13241 0.84 4.93 3.95 3.16 1.63 0.82 SRNK 28.26 83.94 05106-12157 0.72 4.56 5.57 3.69 1.86 0.82 SYBC 27.81 86.71 08277-09328 0.60 6.75 6.35 4.79 1.71 0.58 TIMP 27.47 89.63 04001-08095 0.77 10.28 7.05 2.75 1.47 0.79 TPLJ 27.35 87.71 04069-13091 0.96 6.56 6.85 1.30 1.68 0.46 XZAR 29.27 87.18 11117-13131 0.60 7.86 5.32 3.95 1.43 0.74 XZBG 30.84 81.43 11091-13131 0.49 7.08 3.26 3.45 1.45 0.68 XZDX 30.48 91.10 10263-13131 0.68 6.96 4.72 3.84 0.94 0.88 XZGE 32.52 80.11 10343-13131 0.25 2.98 1.97 4.63 1.12 0.44 XZNQ 31.49 92.11 10255-13131 0.50 6.42 4.03 4.93 0.75 0.82 XZRK 29.25 88.87 11160-13131 0.53 7.23 5.55 4.95 1.29 0.71 XZRT 33.39 79.72 12299-13131 *0.07 *30.83 1.56 *17.14 0.93 0.38 注：*表示该数据存在异常的情况，可能是数据观测周期太短，受到异常值的影响较大 
下载: 导出CSV
-
[1] Fu Y, Freymueller J T. Seasonal and Long-Term Vertical Deformation in the Nepal Himalaya Constrained by GPS and GRACE Measurements[J]. Journal of Geophysical Research Solid Earth, 2012, 117(B3):487-497 doi: 10.1029/2011JB008925
[2] 王林松, 陈超, 邹蓉, 等.利用GPS与GRACE监测陆地水负荷导致的季节性水平形变:以喜马拉雅山地区为例[J].地球物理学报, 2014(6):1792-1804 doi: 10.6038/cjg20140611 Wang Linsong, Chen Chao, Zou Rong, et al. Using GPS and GRACE to Detect Seasonal Horizontal Deformation Caused by Loading of Terrestrial Water:A Case Study in Himalayas[J] Chinese Journal of Geophysics, 2014, 57(6):1792-1804 doi: 10.6038/cjg20140611
[3] Zou R, Wang Q, Freymueller J T, et al. Seasonal Hydrological Loading in Southern Tibet Detected by Joint Analysis of GPS and GRACE[J]. Sensors, 2015, 15(15):30525-30538 http://www.ncbi.nlm.nih.gov/pmc/articles/PMC4721735/
[4] Schmid R, Steigenberger P, Gendt G, et al. Generation of a Consistent Absolute Phase-Center Correction Model for GPS Receiver and Satellite Antennas[J]. Journal of Geodesy, 2007, 81(12):781-798 doi: 10.1007/s00190-007-0148-y
[5] Swenson S, Chambers D, Wahr J. Estimating Geocenter Variations from a Combination of GRACE and Ocean Model Output[J]. Journal of Geophysical Research Atmospheres, 2008, 113(B8):194-205 https://www.researchgate.net/publication/248804834_Estimating_Geocenter_Variations_from_a_Combination_of_GRACE_and_Ocean_Model_Output
[6] Cheng M, Tapley B D. Variations in the Earth's Oblateness During the Past 28 Years[J]. Journal of Geophysical Research Solid Earth, 2003, 109(9):1404-1409 http://www.academia.edu/8369242/Variations_in_the_Earths_oblateness_during_the_past_28_years
[7] Duan X J, Guo J Y, Shum C K, et al. On the Postprocessing Removal of Correlated Errors in GRACE temporal Gravity Field Solutions[J]. Journal of Geodesy, 2009, 83(11):1095-1106 doi: 10.1007/s00190-009-0327-0
[8] Wahr J, Molenaar M, Bryan F. Time Variability of the Earth's Gravity Field:Hydrological and Oceanic Effects and Their Possible Detection Using GRACE[J]. Journal of Geophysical Research Atmospheres, 1998, 103:30205-30230 doi: 10.1029/98JB02844
[9] Farrell W E. Deformation of the Earth by Surface Loads[J]. Reviews of Geophysics & Space Physics, 1972, 10(3):761-797 http://adsabs.harvard.edu/abs/1972RvGeo..10..761F
[10] Nikolaidis R. Observation of Geodetic and Seismic Deformation with the Global Positioning System[J]. Cancer Research, 2002, 71(Supplement):714-714 http://adsabs.harvard.edu/abs/2002PhDT........75N
[11] Fu Y, Freymueller J T. Seasonal and Long-Term Vertical Deformation in the Nepal Himalaya Constrained by GPS and GRACE Measurements[J]. Journal of Geophysical Research Atmospheres, 2012, 117(B3):487-497 doi: 10.1029/2011JB008925
[12] Bräuning A, Mantwill B. Summer Temperature and Summer Monsoon History on the Tibetan Plateau During the Last 400 Years Recorded by Tree Rings[J]. Geophysical Research Letters, 2004, 31:1304-1309 doi: 10.1029/2003GL018615
-
期刊类型引用(32)
1. 冷琴，曹铭. 基于DMSP/OLS与NPP/VIIRS夜间灯光数据的江西省城市扩展研究. 江西科学. 2024(01): 41-45 . 
百度学术
2. 马小龙，柳思聪，郑守住. 基于多源遥感数据的鬼城现象分析方法. 北京测绘. 2024(08): 1087-1092 . 百度学术
3. 饶俊，丁海萍，许朋朋，李敏. 基于珞珈一号的上海市建成区提取研究. 江西科学. 2023(02): 261-265 . 百度学术
4. 唐小辉，蔡中祥，刘宏建，樊新刚. 基于NPP-VIIRS夜间灯光数据的产业结构估测——以河南省为例. 河南大学学报(自然科学版). 2023(03): 305-313 . 百度学术
5. 谢志伟，单佳强，孙立双，彭博，刘永睿，黄超. 基于多源遥感图像和复杂网络的城市主城区识别方法. 测绘与空间地理信息. 2023(08): 1-5 . 百度学术
6. 李鹏，黎楚安，杨继梅，李振洪，王厚杰. 典型海岸带城市扩张的多源遥感监测与预测——以青岛市为例. 测绘通报. 2022(01): 105-109 . 百度学术
7. 雷依凡，路春燕，苏颖，黄雨菲. 基于多源夜间灯光数据的城市活力与城市扩张耦合关系研究——以海峡西岸城市群为例. 人文地理. 2022(02): 119-131 . 百度学术
8. 卢世俊. 乌鲁木齐城市空间扩展特征及驱动机制. 武汉大学学报(信息科学版). 2022(07): 1025-1034 . 百度学术
9. 伍亿真，施开放，余柏蒗，李川龙. 利用NPP-VIIRS夜间灯光遥感数据分析城市蔓延对雾霾污染的影响. 武汉大学学报(信息科学版). 2021(05): 777-789 . 百度学术
10. 厉飞，闫庆武，邹雅婧，刘保丽. 利用夜间灯光POI的城市建成区提取精度研究——以珞珈一号01星和NPP/VIIRS夜间灯光影像为例. 武汉大学学报(信息科学版). 2021(06): 825-835 . 百度学术
11. 丛康林，董超，薄鑫宇，韩佳坤. 基于夜光遥感的山东省城市时空格局演化分析. 测绘地理信息. 2021(05): 78-82 . 百度学术
12. 王方民，骆畅，杨朝现，刘勇. 基于兴趣点密度与城市扩张曲线的城市建成区边界识别. 西南大学学报(自然科学版). 2021(12): 115-126 . 百度学术
13. 李欣，葛冠英. 国土空间规划城市体检评估中城区范围划定的济南实践. 北京测绘. 2021(12): 1578-1582 . 百度学术
14. 张周. 基于DMSP/LANDSAT数据的成渝城市群空间演化特征分析研究. 重庆建筑. 2020(01): 26-31 . 百度学术
15. 罗婧，黄铁兰，吴桂华，朱腾. 基于夜光遥感的粤港澳大湾区城市空间格局变化分析. 智能城市. 2020(01): 1-3 . 百度学术
16. 刘效江，王浩，宁晓刚，余凡，王成港，郝铭辉. 引入路网和建筑物信息的DMSP/OLS数据去饱和方法. 武汉大学学报(信息科学版). 2020(03): 374-383 . 百度学术
17. 郑渊茂，何原荣，王晓荣，高元衡. 夜光遥感数据应用述评与展望. 遥感信息. 2020(03): 1-14 . 百度学术
18. 闫庆武，厉飞，李玲. 基于2种夜间灯光影像亮度修正指数的城市建成区提取研究. 地球信息科学学报. 2020(08): 1714-1724 . 百度学术
19. 孙立双，韩耀辉，谢志伟，李如仁. 采用夜光遥感数据提取城市建成区的邻域极值法. 武汉大学学报(信息科学版). 2020(10): 1619-1625 . 百度学术
20. 何建华，高文凯. UBII:一种协同经济、社会与人类活动的城市边界识别指数. 测绘与空间地理信息. 2019(02): 8-11+15 . 百度学术
21. 白贺庭，马明国，阎然，刘康甯，隽楚涵. 基于夜间灯光数据的重庆市城市扩张研究. 遥感技术与应用. 2019(01): 216-224 . 百度学术
22. 郑洪晗，桂志鹏，栗法，吴华意，武旭芳，张济勇，韩文军. 夜间灯光数据和兴趣点数据结合的建成区提取方法. 地理与地理信息科学. 2019(02): 25-32 . 百度学术
23. 李勇. 山东沿海城市带空间格局及演变特征研究. 山东师范大学学报(自然科学版). 2019(02): 228-235 . 百度学术
24. 王晓茹，唐志光，王建，邓刚，王欣，魏俊锋. 亚洲高山区融雪末期雪线高度空间差异的影响因素分析. 冰川冻土. 2019(05): 1173-1182 . 百度学术
25. 柯文聪，陶超，马进龙，刘莹，邹峥嵘. 基于Landsat与DMSP-OLS的非监督城区提取方法研究. 测绘与空间地理信息. 2018(07): 183-186 . 百度学术
26. 林晓娟，房世峰，徐亚莉，邹宝裕，罗明良. 基于道路交叉点邻域扩张曲线的城市边界识别——以成都、西安、武汉、南京和长沙为例. 地理科学进展. 2018(06): 781-789 . 百度学术
27. 宁晓刚，王浩，张翰超，刘娅菲，庞博，郝铭辉. 2000—2016年中国地级以上城市高精度城区边界遥感提取及时空扩展分析. 武汉大学学报(信息科学版). 2018(12): 1916-1926 . 百度学术
28. 刘建良，赵国忱，倪愿. 基于DMSP/OLS夜间灯光数据进行提取的实证研究——以福州为例. 测绘与空间地理信息. 2017(09): 175-178+181 . 百度学术
29. 杨任飞，罗红霞，周盛，程玉丝，陈婧祎，向海燕，雷茜. 夜间灯光数据驱动的成渝城市群空间形成过程重建及分析. 地球信息科学学报. 2017(05): 653-661 . 百度学术
30. 李治，杨晓梅，孟樊，陈曦，杨丰硕. 城市建成区多源遥感协同提取方法研究. 地球信息科学学报. 2017(11): 1522-1529 . 百度学术
31. 张锋. 夜光遥感数据应用研究综述. 建设科技. 2017(14): 50-52 . 百度学术
32. 赵航，倪杰. 基于夜晚灯光数据的城市建成城区提取与格局分析. 科学家. 2016(12): 5+15 . 百度学术
其他类型引用(36)
计量
- 文章访问数: 2789
- HTML全文浏览量: 403
- PDF下载量: 397
- 被引次数: 68
