<div class="csl-bib-body">
<div class="csl-entry">Soja, B. (2016). <i>Anwendung eines Kalman-Filters in der Auswertung von VLBI-Daten</i> [Dissertation, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2016.29868</div>
</div>
-
dc.identifier.uri
https://doi.org/10.34726/hss.2016.29868
-
dc.identifier.uri
http://hdl.handle.net/20.500.12708/2444
-
dc.description
Zusammenfassung in englischer Sprache
-
dc.description
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
-
dc.description.abstract
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.
de
dc.description.abstract
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.
en
dc.language
Deutsch
-
dc.language.iso
de
-
dc.rights.uri
http://rightsstatements.org/vocab/InC/1.0/
-
dc.subject
VLBI
de
dc.subject
Kalman-Filter
de
dc.subject
Atmosphäre
de
dc.subject
TRF
de
dc.subject
VLBI
en
dc.subject
Kalman filtering
en
dc.subject
atmosphere
en
dc.subject
TRF
en
dc.title
Anwendung eines Kalman-Filters in der Auswertung von VLBI-Daten
de
dc.title.alternative
Application of Kalman Filtering in VLBI Data Analysis
en
dc.type
Thesis
en
dc.type
Hochschulschrift
de
dc.rights.license
In Copyright
en
dc.rights.license
Urheberrechtsschutz
de
dc.identifier.doi
10.34726/hss.2016.29868
-
dc.contributor.affiliation
TU Wien, Österreich
-
dc.rights.holder
Benedikt Soja
-
dc.publisher.place
Wien
-
tuw.version
vor
-
tuw.thesisinformation
Technische Universität Wien
-
tuw.publication.orgunit
E120 - Department für Geodäsie und Geoinformation
-
dc.type.qualificationlevel
Doctoral
-
dc.identifier.libraryid
AC13104528
-
dc.description.numberOfPages
152
-
dc.identifier.urn
urn:nbn:at:at-ubtuw:1-2148
-
dc.thesistype
Dissertation
de
dc.thesistype
Dissertation
en
dc.rights.identifier
In Copyright
en
dc.rights.identifier
Urheberrechtsschutz
de
tuw.advisor.staffStatus
staff
-
item.fulltext
with Fulltext
-
item.cerifentitytype
Publications
-
item.mimetype
application/pdf
-
item.openairecristype
http://purl.org/coar/resource_type/c_db06
-
item.languageiso639-1
de
-
item.openaccessfulltext
Open Access
-
item.openairetype
doctoral thesis
-
item.grantfulltext
open
-
crisitem.author.dept
E101 - Institut für Analysis und Scientific Computing