بهينه سازي الگوريتم ايستگاه مرجع مجازي (VRS) با استفاده از مدل هاي تجربي تابع تغييرنما

Optimization of Virtual Reference Station Algorith Using Empirical Models of Variogram Function

الگوريتم شبكه تعيين موقعيت كينماتيك آني با هدف غلبه بر مشكلات موجود در سيستم سنتي تعيين موقعيت كينماتيك آني ايجاد شده است. هدف اصلي در اين مقاله معرفي الگوريتمي جديد براي شبكه تعيين موقعيت كينماتيك آني و افزايش دقت بخش درون­يابي تصحيحات مي­باشد. در ابتدا، براي خطوط مبناي شبكه الگوريتم پردازش طول بلند بايد انجام شود .سپس باقيمانده­هاي يونسفري و تروپسفري براي هر خط مبنا تفكيك مي­شوند. در ادامه به معرفي دو روش درون­يابي با نام­هاي خطي و كريجنيگ معمولي پرداخته مي­شود. باقيمانده ­هاي يونسفري و تروپسفري براي راستاي موردنظر درون­يابي ­مي­شوند. سپس به معرفي دو الگوريتم كلاسيك و جديد براي شبكه تعيين موقعيت كينماتيك آني پرداخته مي­شود. در الگوريتم كلاسيك، باقيمانده­هاي درون­يابي شده در قالب تصحيحات با علامت معكوس به مشاهدات تفاضلي مرتبه اول اعمال شده اما در الگوريتم جديد، اين تصحيحات به مشاهدات مجازي غير­تفاضلي اعمال مي­شوند. در بخش اول نتايج، به مقايسه عملكرد دو الگوريتم مذكور پرداخته كه در آن از دو روش درون­يابي خطي و كريجينگ معمولي استفاده مي­شود. در اينجا روش كريجينگ معمولي بر اساس تابع كواريانس محاسبه شده است. نتايج به دست آمده حاكي از برتر بودن الگوريتم جديد شبكه تعيين موقعيت كينماتيك آني است. همچنين روش كريجينگ معمولي عملكرد بهتري نسبت به روش خطي دارد. در بخش دوم نتايج، با هدف افزايش دقت بخش درون­يابي تصحيحات در الگوريتم جديد از روش كريجينگ معمولي بر اساس تابع تغيير­نما استفاده مي­شود. براي محاسبه اين تابع از سه مدل تجربي كروي، نمايي و گوسي استفاده مي­شود. با انجام ارزيابي­ آماري، مدل گوسي به عنوان بهترين مدل تجربي انتخاب مي­شود. با استفاده از تصحيحات درون­يابي مدل گوسي، الگوريتم جديد شبكه تعيين موقعيت كينماتيك آني مجددا محاسبه مي­شود. نتايج بخش دوم نشان مي­دهد كه استفاده از تابع تغييرنما به جاي تابع كواريانس مي­تواند دقت برآورد مولفه­ هاي شمالي، شرقي و ارتفاعي را در راستاي موردنظر به اندازه 50، 73 و 24 درصد بيشتر بهبود دهد.

The Network Real Time Kinematic (NRTK) algorithm has been developed to overcome the traditional Real Time Kinematic (RTK) problems and limitations. This paper introduces an algorithm for Virtual Reference Station (VRS) generation and it investigates the accuracy of the corrections interpolation. After long baseline processing, ionospheric and tropospheric residuals are estimated for each baseline. Then, two methods of linear interpolation and ordinary Kriging are implemented. Ionospheric and tropospheric double differences biases are interpolated for an arbitrary direction. Single difference and zero difference VRS algorithms have been used. In the classical algorithm, corrections are applied to the single difference observations, but in the second algorithm, corrections are applied to the zero differenced VRS observations. The results of two algorithms have been compared with linear and ordinary Kriging interpolation method. The performance of the zero differenced VRS algorithm was better than that of the single difference. Also, ordinary Kriging method’s performance is better than linear interpolation method. Ordinary Kriging based on variogram function is then used to increase the accuracy of the corrections interpolation. To calculate variogram function, three empirical models, including spherical, exponential and Gaussian models have been used. After some statistical analysis, the Gaussian model has been chosen as the best empirical one. Interpolated corrections of the Gaussian model are used to the VRS algorithm. The results demonstrate that using variogram function instead of simple distance based covariance function leads to 50, 73 and 24% improvement in the accuracy of the north, east and up components.