2. 长安大学地质工程与测绘学院,西安市雁塔路126号,710054
IGS基准站水平方向的运动以板块运动为主,而高程方向变化比较复杂,影响因素比较多[1]。通过对连续参考站高程时间序列的研究分析,可以提取周期项和趋势项,获取地球振荡周期变化信息[2],进而研究造成测站非线性运动的物理机制,精化各种误差改正模型,获得测站准确的位置和线性速度,为建立和维持动态地球参考框架提供基础数据[3],为地球动力学方面的应用提供参考。
对GPS站坐标时间序列进行分析时,通常假定跟踪站存在周年和半周年等周期性运动,利用谐波函数进行拟合,求解各周期项的振幅和相位[4]。但实际上,不同的GPS站高程时间序列的周期性变化非常复杂,周期可能并不严格等于周年和半周年,振幅也随时间发生变化。且已有研究表明,GPS站高程时间序列除存在半周年和周年运动,还存在其他周期信号[5-6]。因此,常用的谐波拟合法并不能很好地适用于非平稳、非线性的GPS信号,而自适应性信号处理方法——经验模态分解(empirical mode decomposition,EMD)可以解决这些问题。EMD分解得到的IMF(intrinsic mode function)分量具有清晰的物理意义,揭示了信号里蕴含的多尺度振荡特征;对IMF分量进行Hilbert变换(HHT),得到的频谱图可以反映信号的局部特征,以及能量随时间的分布。但EMD方法容易产生模式混叠现象,整体经验模态分解(ensemble empirical mode decomposition,EEMD)借助噪声可以减弱这种现象。为了研究GPS高程时间序列的周期振荡特性,本文利用HHT-EEMD方法获取IGS站的周期运动特征,并用小波变换对其进行比较和评价,同时结合环境负载数据和GRACE负载等初步探讨引起时间序列周期振荡的物理机制,以消除非构造运动的影响并提高GPS观测成果的应用价值。
1 HHT-EEMD算法的基本理论Huang等[7]于1998年提出一种分析非线性非平稳时间序列的新方法——经验模态分解(EMD)和希尔伯特(Hilbert)谱分析,统称为经验模态分析。经验模态分析的基本思路是:一个时间序列由多个时间尺度的振荡波构成,设法从经验资料中把这些固有的、内在的本征模态函数(IMF)分量逐级分离出来,并求其Hilbert谱,通过分析IMF分量及其相应的谱,即时-频分析,得到原序列的多尺度振荡特征[8]。
1.1 经验模态分析(HHT-EMD)经验模态分析方法实现的步骤如下:
1) 把物理系统的实测序列分解为频率逐渐降低的本征模态分量(IMF)和一个趋势项:首先逐级分离出IMF分量,分解完成后剩余的即为趋势项,这一过程称为EMD。
2) 对分解出的各个IMF分量作Hilbert变换,得到各自的瞬时振幅和瞬时频率,然后把瞬时振幅表示在时频表面上,就得到了Hilbert谱,这一过程称为Hilbert-Huang变换,简称HHT。
1.2 整体经验模态分解(EEMD)信号出现中断时,EMD方法分解的IMF会产生模式混叠现象[7, 9]。模式混叠现象指一个IMF分量包含着尺度互异的信号,或者尺度相似的信号存在于不同的IMF分量中,主要是由于信号中断引起的,不仅混淆了信号的时频分布特性,更重要的是使信号IMF分量的物理意义变得不清晰[5]。模式混叠现象导致了EMD结果的不稳定性和不唯一性。为了消除模式混叠,使用一种借助噪声的资料分析方法,即整体经验模态分解EEMD。EEMD的想法是在进行每一次EMD分解之前,在原始序列信号x(t)中加入一定量的高斯白噪声wk(t),第k次待分解的信号xk(t)可表示为:
$ {x_k}\left( t \right) = x\left( t \right) + {w_k}\left( t \right) $ | (1) |
经过EMD分解会生成一系列由高频至低频的IMF分量。每一次由系统随机生成的固定方差的白噪声序列都是不同的,通过重复分解过程会得到信号多次EMD分解的IMF分量,将相同尺度的IMF取平均值,即可得到EEMD最终分解的IMF分量。由于高斯白噪声是零均值的正态随机序列,当重复分解次数足够大时,加入白噪声的影响将被消除,从而分解得到的IMF全部来自于原始信号本身。
2 利用HHT-EEMD方法分析时间序列采用IGS分析中心之一SOPAC(ftp://garner.ucsd.edu/pub/timeseries/)免费提供的全球坐标时间序列作为数据源。本文选用中国大陆的BJFS站,时间跨度为2000-01-01~2015-01-01,参考框架为ITRF2008。对BJFS站高程时间序列分别采用EMD和EEMD两种分解方法获取IMF分量。采用Wu等[10]的建议,整体平均的次数选用100。为了研究不同比例白噪声对IMF分量的影响,加入的白噪声与原始信号的标准差之比分别取0.1、0.2、0.4,分别以EEMD01、EEMD02、EEMD04来表示。
2.1 EMD/EEMD比较图 1显示了BJFS站2000~2015年高程方向的时间序列。从图 1可见,2010年以后数据缺失较为频繁(见粉色框),典型数据异常如图中红色椭圆所示。
BJFS站时间序列经过EMD分解为12个频率逐渐减小的本征模态分量(IMF)和一个残差项。IMF分量如图 2所示,由图可见,每个分量均随时间呈周期性变化,从上到下周期依次增大,代表不同尺度的信号。因此EMD提供了一个很好的手段与方法来获得IGS站高程时间序列中的各种周期项。由于周期信号的成分比较复杂,某些周期信号并不表现为规则的正弦曲线形式,EMD分解的IMF分量振幅是随时间变化的,可以很好地刻画出信号的变化状态,因此EMD具有很强的从原始时间序列识别非线性信号成分的能力[6]。但是图中部分IMF的周期不明,例如C9~C11分量均表现出模式混叠现象。为了克服模式混叠,利用EEMD方法对BJFS站高程时间序列进行分析,采用了3种方案(EEMD01,EEMD02,EEMD04),与EMD的比对见图 3。
从图 3可见,3种EEMD分解结果比较一致,而EMD分解结果与EEMD有较大偏差。显然,C12应为序列中的长周期项,EEMD表明其周期大约为3 a,而EMD分解结果在2000~2009年区间上周期表现为1.5 a。C11分量EMD分解结果看不出明显的周期项,多种周期信号混叠在一起,从EEMD结果可以得出其应该为2 a项。可以看出,EMD分解时C12和C11分量均混入了周年信号,这是由于数据缺失和数据异常引起的模式混叠现象。同时,EEMD结果表明,C10与C9分量均为周年信号,而EMD仍然出现不同程度的混叠现象(图中紫色椭圆)。可以看出,EMD分解的C10分量混入了2 a信号,C9分量混入了0.5 a信号,说明EEMD方案可有效减弱模式混叠对分解后IMF分量的影响[5]。然而,图中红色椭圆处表明,EEMD分解得到的2 a信号在2005~2009年区间上出现明显的周年信号,EEMD分解得到的周年信号也局部表现为0.5 a信号,这说明EEMD分解并没有完全消除模式混叠现象,只是在一定程度上予以减弱。EEMD结果表明,C8分量近似为0.5 a项,局部表现出模式混叠。图中只列出了C7~C12分量,另外C1~C4为高频分量,同时由表 1可得,C7为季节性信号,C6周期为2个月,C5周期为1个月。
经验模态分解只能大致看出IMF的周期项,并不能细致分析每个IMF的周期信息。将上面4种方法分解得到的各IMF作傅里叶频谱分析,图 4为EMD分解后IMF分量的Fourier频谱图,不同的颜色代表不同的IMF分量Fourier变换后的频谱。傅立叶变换是将图像从空间域转换到频率域,幅值最大的尖峰对应的频率就是IMF分量的周期。由图可见,不同颜色的频谱对称排列,这是由于FFT结果的对称性,通常只使用前半部分的结果,即小于采样频率一半的结果。部分IMF表现出的周期特性统计见表 1。
由表 1可得,EEMD01、EEMD02与EEMD04分解结果比较一致,只在频率较大的几个IMF分量上有微小差异,说明白噪声的比例对结果几乎没有影响。EMD分解结果则与EEMD结果存在差异,主要表现在周期较大的C11与C12分量上,这与上文分析得到的结论一致。总体来说,BJFS站存在近似2 a、1 a、0.5 a、0.25 a、2个月、1个月以及长周期变化。其中2 a项由于其信号强度很弱,很难通过传统的方法识别出来,说明EEMD方法具有从复杂序列中提取微弱信号的能力[6]。由于几种EEMD方案的差异很小,下文提到的EEMD均指EEMD02分解方法。
图 5为BJFS站EMD/EEMD分解后的残差。结果表明,3种EEMD残差变化趋势比较一致,BJFS站在2000~2015年高程方向有逐渐升高的趋势,且变化速率逐渐减小。EEMD年线性变化速率为1.06 mm/a,小于EMD的趋势项变化速率为1.58 mm/a。EMD残差的趋势和EEMD比较一致,但残差曲线并不光滑,还存在着微小的波动,可能受到了序列中异常值的干扰。而EEMD结果由于随机噪声中和了异常值,残差曲线相对光滑。
综上所述,当GPS高程时间序列信号存在中断情形时,EMD方法产生明显的模式混叠现象,模式混叠导致了EMD的不稳定性和不唯一性。EEMD分解相比EMD可以明显减弱模式混叠对本征模态分量的影响,但并没有完全消除模式混叠现象。EEMD结果中还发现了潜在的近似2 a信号。此外,对比发现,加入白噪声的比例对EEMD的结果几乎没有影响,说明EEMD方法是稳定可靠的。总之,EEMD与EMD方法相比有较大的优势,但还需进一步改进。具体要从加入白噪声的振幅以及参与集合的数目方面深入研究。
2.2 HHT变换分析时间序列进行EMD的主要目的是为了对每一个IMF进行Hilbert变换(HHT)并得到Hilbert谱,该谱能够精确地反映信号的能量在时间和频率上的分布规律。为了得到BJFS站高程运动的主要贡献项,本文对BJFS站EMD及EEMD分解的IMF分量作Hilbert-Huang变换,结果见图 6~7。
图 6显示了BJFS站EMD分解后12个IMF分量作Hilbert-Huang变换(HHT)以后的频谱图。它为时间-频率-振幅的谱图,颜色的变化表示能量的相对大小,而能量的大小则反映为IMF分量的振幅变化。可以看出,EMD分解得到的IMF分量混叠在一起,没有很好地分离,看不出每个分量的具体周期,反映出上文所述的模式混叠现象。
下面具体分析EEMD分解的IMF分量HHT后的结果。由图 7可见,随着频率的减小,4条频谱曲线依次对应C9~C12分量。其中C9与C10能量最大,为图中的红黄色曲线,频率在0.003 cpd附近波动,大致对应的是周年信号。其次为C11对应的曲线,为图中的蓝绿色曲线,频率在0.001 5 cpd附近波动,对应2 a信号。C12则为长周期信号,其余IMF分量的能量较小。这一结果表明,BJFS站周期运动主要以周年和2 a运动为主。
2.3 基于小波变换的比较和验证为了验证HHT-EEMD方法在时间序列分析上的有效性,接下来对高程时间序列应用小波变换进行处理以对比分析。通过离散小波变换,一个信号可以分解为它的近似部分和细节部分。近似部分代表了信号的低频成分,对应较大的尺度;而细节部分代表了信号的高频成分,对应较小的尺度[10]。以db4为基底对时间序列作小波分解的结果如下。
图 8为BJFS站时间序列经小波分解后得到的8层图像,分别对应8个高频分量。为了更详细地分析其周期特性,对部分高频分量作了傅里叶频谱分析,周期统计结果见表 2。小波分解结果表明,BJFS站的高频分量包括1 a、0.5 a、0.25 a、2个月以及1个月信号。此结果与EEMD的分解结果基本一致,验证了上述EEMD的分解结果。然而受小波基的限制,小波分解结果并没有得到2 a信号,EEMD分解得到的2 a信号是否真实存在还需要进一步证明。
小波变换不仅可以对序列进行分解,还可以对分解后的分量进行信号重构。经小波重构最终得到降噪数据。同样,EEMD也可以对信号进行降噪处理。将EEMD分解得到的C8~C12分量进行低通滤波:
$ {x_r}\left( t \right) = \sum\limits_{i = 8}^{12} {{C_i}\left( t \right)} + {r_n}\left( t \right) $ | (2) |
同时,选取db4和sym6两个小波基进行小波滤波,滤波结果见图 9。
由图 9可见,EEMD的重构信号与原始序列更加吻合,可以更好地捕获原始序列的波峰和波谷,尤其在数据缺失的地方。db4、sym6两种小波滤波曲线在时间序列异常值的位置均出现毛刺。相比小波滤波结果,EEMD滤波曲线较为光滑,没有毛刺,说明EEMD滤波结果受原始信号的影响较小,可以剔除瞬时强噪声[11]。
用均方根(RMS)来定量比较3种滤波结果的优劣:
$ {\rm{RM}}{{\rm{S}}_u} = \sqrt {\frac{{\sum\limits_{i = 1}^n {{{\left( {{x_i} - {l_i}} \right)}^2}} }}{n}} $ | (3) |
式中,n表示样本总数,xi表示原始序列,li表示各种滤波序列。
表 3为3种滤波结果的RMS统计。由表 3可得,EEMD低通滤波的RMS小于db4和sym6两种小波滤波的RMS,表明由EEMD方法得到的重构信号更接近原始序列,验证了上文的结论。因此在滤波方面EEMD低通滤波效果更好。
通过对比可以看出,HHT-EEMD的优势在于:1)EEMD根据其自适应特性进行分解,不依赖于事先给定的周期拟合模型,即EEMD不用考虑基底函数的选择问题;2)Hilbert频谱图中的频率是瞬时频率,为时间的函数,可以表征信号的局部特征;3)HHT不是对原序列作变换,而是对分解以后的分量作变换,能更精确地反映出每个分量代表的具体物理意义,而且EEMD低通滤波也有更好的去噪重构效果。因此,HHT-EEMD在分析非平稳、非线性时间序列时具有一定的优越性。
3 GPS站周期性信号的来源分析GPS位置时间序列中的周期信号主要由非构造形变引起[3, 12-13]。引起非构造形变的地球物理因素主要包括两大类:一是潮汐形变;二是大气、非潮汐海洋、积雪和土壤水等质量负荷,也称为环境负载[12]。为了验证HHT-EEMD方法得到的周期性信号确实存在于IGS站高程时间序列中,本文通过分析环境负载和GRACE负载来得到高程时间序列中存在的周期性振荡信号,并解释其形成原因。
3.1 环境负载的影响本文采用EOST loading service提供的由环境负载引起的位移。主要考虑大气压负载、水文负载、非潮汐海洋负载,参考以往对环境负载的研究[3, 6],分别采用ATMIB、GLDAS、ECCO 3种全球负载模型,得到的测站位移属于CF框架。为了分析高程运动中各种周期项与负载的关系,将BJFS站3种环境负载引起的测站位移时间序列进行功率谱分析。功率谱密度(PSD)曲线见图 10。
由图可见,3种环境负载的功率谱密度均遵循逆幂律,是典型的随机过程[6]。图中众多尖峰反映出了季节性,最强的周期分量出现在尖峰对应的频率上。3种负载引起的测站位移中均存在周年、半周年与季节性信号。能量最大的尖峰出现在周年频率附近,其中大气负载造成的测站位移最大,水文负载对测站位移的影响次之,非潮汐海洋负载造成的位移最小。由此可得,大气负载、水文负载、非潮汐海洋负载均会造成高程时间序列中的周年、半周年及季节性运动,并且对周年项的贡献最大。此外,图中的2 a信号并不明显,可能是被其他信号所掩盖。
3.2 GRACE负载的影响为了证明2 a信号的存在,同样采用EOST loading service提供的基于GRACE系数的负载形变,时间跨度为2003~2016年。对GRACE负载形变进行功率谱分析,结果见图 11。
由图可知,GRACE负载形变中包含了周年、半周年与季节性信号,仍然是周年信号的能量最大。除此之外,GRACE负载中还发现了近似2 a信号以及长周期信号,说明BJFS站周期运动中确实存在2 a信号以及周期约为3 a的长周期信号,验证了EEMD的结果。因此EEMD方法在探测时间序列中的潜在信号方面具有重要作用。在计算测站垂直方向速度时2 a信号是应该被改正掉的,至于2 a变化具体由哪些因素引起,还需要进一步分析。
4 结语1) 高程时间序列的周期信号。利用经验模态分解和整体经验模态分解方法,得到BJFS站高程时间序列不仅存在1 a、0.5 a、0.25 a、2个月、1个月以及长周期等周期性振荡,还存在以往方法很难探测出来的2 a信号。当数据存在异常时,经EMD分解后得到的某些IMF分量出现了模式混叠现象,EEMD可以明显减弱这种现象,但无法完全消除。Hilbert-Huang变换(HHT)得到的三维频谱图表明,周年和2 a振荡是BJFS站高程运动的主要贡献项。
2) 经验模态分析(HHT-EEMD)在数据资料分析中的有效性。对高程时间序列应用小波变换进行处理的结果与EEMD分解结果基本一致,但EEMD根据其自适应特性进行分解,不用考虑基底函数的选择问题,而且EEMD低通滤波也有更好的去噪重构效果。HHT的结果能够表征信号的局部特征,物理意义明确。因此,HHT-EEMD在高程时间序列分析中具有一定的优越性。
3) 非构造形变对时间序列的影响。通过环境负载和GRACE负载引起测站位移的功率谱分析得到,环境负载确实会造成IGS基准站的周年、半周年以及季节性运动,其中周年运动振幅最大。GRACE负载的功率谱密度也得到了同样的结论,而且还发现了2 a信号以及长周期信号的存在。至于2 a信号的形成原因,还需要进一步探索。
本文虽然只分析了BJFS站,但HHT-EEMD方法同样也适用于其他IGS站的高程时间序列分析。
[1] |
刘焕玲, 文汉江, 朱广彬, 等. HHT方法在IGS跟踪站时间序列分析中的应用[J]. 大地测量与地球动力学, 2013, 33(2): 67-71 (Liu Huanling, Wen Hanjiang, Zhu Guangbin, et al. Application of HHT in Time Series Analysis of IGS Fiducial Stations[J]. Journal of Geodesy and Geodynamics, 2013, 33(2): 67-71)
(0) |
[2] |
范朋飞. 高精度GPS站点坐标时间序列分析与应用[D]. 西安: 长安大学, 2013 (Fan Pengfei. Analysis and Application of High-Precision Coordinate Time Series of GPS Site[D]. Xi'an: Chang'an University, 2013) http://cdmd.cnki.com.cn/Article/CDMD-10710-1014022526.htm
(0) |
[3] |
姜卫平, 李昭, 刘鸿飞, 等. 中国区域IGS基准站坐标时间序列非线性变化的成因分析[J]. 地球物理学报, 2013, 56(7): 2228-2237 (Jiang Weiping, Li Zhao, Liu Hongfei, et al. Cause Analysis of the Non-linear Variation of the IGS Reference Station Coordinate Time Series inside China[J]. Chinese Journal of Geophysics, 2013, 56(7): 2228-2237 DOI:10.6038/cjg20130710)
(0) |
[4] |
袁林果, 丁晓利, 陈武, 等. 香港GPS基准站坐标序列特征分析[J]. 地球物理学报, 2008, 51(5): 1372-1384 (Yuan Linguo, Ding Xiaoli, Chen Wu, et al. Characteristics of Daily Position Time Series from the Hong Kong GPS Fiducial Network[J]. Chinese Journal of Geophysics, 2008, 51(5): 1372-1384)
(0) |
[5] |
张恒璟, 程鹏飞. 基于经验模式分解的CORS站高程时间序列分析[J]. 大地测量与地球动力学, 2012, 32(3): 129-134 (Zhang Hengjing, Cheng Pengfei. Analysis on Time Series of Two CORS Stations' Height Based on EMD[J]. Journal of Geodesy and Geodynamics, 2012, 32(3): 129-134)
(0) |
[6] |
Pan Y J, Shen W B, Ding H, et al. The Quasi-Biennial Vertical Oscillations at Global GPS Stations: Identification by Ensemble Empirical Mode Decomposition[J]. Sensors, 2015, 15(10): 26096-26114 DOI:10.3390/s151026096
(0) |
[7] |
Huang N E, Shen Z, Long S R, et al. The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-Stationary Time Series Analysis[J]. Proceedings of the Royal Society of London A: Mathematical, Physical and Engineering Sciences, 1998, 454(1971): 903-995 DOI:10.1098/rspa.1998.0193
(0) |
[8] |
郑祖光, 刘莉红. 经验模态分析与小波分析及其应用[M]. 北京: 气象出版社, 2010 (Zheng Zuguang, Liu Lihong. Empirical Mode Analysis and Wavelet Analysis and its Application[M]. Beijing: China Meteorological Press, 2010)
(0) |
[9] |
Huang N E, Shen Z, Long S R. A New View of Nonlinear Water Waves: the Hilbert Spectrum[J]. Annual Review of Fluid Mechanics, 2003, 31(1): 417-457
(0) |
[10] |
刘文钊, 戚宗锋, 洪丽娜, 等. 基于小波变换和经验模式分解的多路径误差提取及验证方法研究[J]. 舰船电子对抗, 2012, 35(1): 86-89 (Liu Wenzhao, Qi Zongfeng, Hong Lina, et al. Research into Extraction and Validation Methods of Multipath Error Based on Wavelet Transform and EMD[J]. Shipboard Electronic Countermeasure, 2012, 35(1): 86-89)
(0) |
[11] |
戴吾蛟, 丁晓利, 朱建军, 等. 基于经验模式分解的滤波去噪法及其在GPS多路径效应中的应用[J]. 测绘学报, 2006, 35(4): 321-327 (Dai Wujiao, Ding Xiaoli, Zhu Jianjun, et al. EMD Filter Method and Its Application in GPS Multipath[J]. Acta Geodaetica et Cartographica Sinica, 2006, 35(4): 321-327)
(0) |
[12] |
钱闯, 刘晖, 丁志刚, 等. 顾及非构造形变的参考站长期稳定性分析[J]. 武汉大学学报:信息科学版, 2015, 40(9): 1259-1265 (Qian Chuang, Liu Hui, Ding Zhigang, et al. Long-Term Stability of Reference Stations by Taking Non-Tectonic Deformation into Account[J]. Geomatics and Information Science of Wuhan University, 2015, 40(9): 1259-1265)
(0) |
[13] |
王敏, 沈正康, 董大南. 非构造形变对GPS连续站位置时间序列的影响和修正[J]. 地球物理学报, 2005, 48(5): 1045-1052 (Wang Min, Shen Zhengkang, Dong Danan. Effects of Non-Tectonic Crustal Deformation on Continuous GPS Position Time Series and Correction to Them[J]. Chinese Journal of Geophysics, 2005, 48(5): 1045-1052)
(0) |
2. College of Geology Engineering and Geomatics, Chang'an University, 126 Yanta Road, Xi'an 710054, China