基于多方法融合的GPS高程异常拟合关键技术与精度提升研究

基于多方法融合的GPS高程异常拟合关键技术与精度提升研究一、引言1.1研究背景与意义在现代测绘领域，全球定位系统（GPS）以其高精度、全天候、高效率等显著优势，成为获取空间位置信息的关键技术手段。GPS能够快速且精确地测定地面点的三维坐标，其中大地高的测量精度已达到相当高的水平。然而，在实际工程应用和日常生活中，我们所需要的高程系统通常是正常高，而非GPS直接测量得到的大地高。这是因为大地高是以参考椭球面为基准的高程，而正常高是以似大地水准面为基准，二者之间存在一个差值，即高程异常。由于似大地水准面是一个极为复杂的不规则曲面，难以用简单的数学模型精确描述，这就导致了GPS直接测量的大地高无法直接应用于实际工程中对正常高的需求，从而限制了GPS在高程测量方面的广泛应用。高程异常拟合作为解决GPS大地高向正常高转换的核心技术，对于提升GPS高程测量精度具有至关重要的作用。通过对测区内已知高程异常点的数据分析，构建合适的数学模型来逼近似大地水准面，进而实现对未知点高程异常的准确推算，最终将GPS大地高转换为正常高。这一过程不仅能够充分发挥GPS在高程测量中的潜力，拓展其应用范围，还能有效提高工程测量的效率和精度。例如，在地形复杂的山区进行道路工程建设时，传统的水准测量方法实施难度大、效率低，而利用GPS高程测量结合高程异常拟合技术，可以快速获取高精度的正常高数据，为道路的设计和施工提供可靠的依据，大大缩短了工程周期，降低了成本。在测绘领域的发展历程中，高精度的高程数据一直是各种工程建设、地理信息系统构建以及地球科学研究等不可或缺的基础资料。高程异常拟合技术的发展与完善，推动了GPS在测绘领域的全面应用，使得测绘工作从传统的二维平面测量向高精度的三维空间测量转变，实现了从局部测量到全球范围内测量的跨越。在工程应用方面，无论是大型水利水电工程、桥梁隧道建设，还是城市规划、地质勘探等领域，高精度的高程数据都是确保工程质量和安全的关键因素。通过准确的高程异常拟合，GPS高程测量能够满足这些工程对高程精度的严格要求，为工程的顺利实施提供坚实的技术保障。1.2国内外研究现状国内外学者针对GPS高程异常拟合展开了大量深入的研究工作。国外研究起步较早，在理论研究和实践应用方面都取得了丰硕的成果。早期，学者们主要基于地球重力场模型进行高程异常的计算，如利用EGM系列地球重力场模型，通过对地球重力位的展开和计算来求解高程异常。这种方法在全球范围内具有一定的适用性，但由于模型的分辨率和精度有限，在局部区域尤其是地形复杂的地区，计算结果的精度往往难以满足实际需求。随着计算机技术和数学方法的不断发展，各种基于数学拟合的方法应运而生。例如，多面函数拟合法，通过构造一系列具有特定形式的多面函数，对已知高程异常点进行拟合，从而推算未知点的高程异常。该方法在处理地形变化较为复杂的区域时，具有较好的灵活性和适应性，但计算过程相对复杂，且对数据点的分布和数量有一定要求。此外，神经网络方法也被广泛应用于高程异常拟合。神经网络具有强大的非线性映射能力，能够自动学习数据中的复杂规律，通过对大量已知数据的训练，建立起高精度的高程异常拟合模型。像BP神经网络、RBF神经网络等在实际应用中都取得了较好的效果，但神经网络模型也存在训练时间长、容易陷入局部最优等问题。国内学者在借鉴国外先进技术的基础上，结合我国地形复杂多样、幅员辽阔的特点，对GPS高程异常拟合方法进行了创新性的研究和改进。在多项式曲面拟合法方面，国内学者通过对不同次数多项式的组合和优化，提高了拟合模型对复杂地形的适应性。同时，将最小二乘法等优化算法引入多项式拟合过程，有效提高了拟合精度和稳定性。在组合模型研究方面，国内学者提出了将多种拟合方法相结合的思路，如将地球重力场模型与数学拟合方法相结合，充分利用地球重力场模型在宏观趋势上的准确性和数学拟合方法在局部细节上的优势，取得了比单一方法更好的拟合效果。然而，现有研究仍存在一些不足之处。一方面，在地形剧烈变化的区域，如高山峡谷地区，由于地形起伏大，似大地水准面变化复杂，目前的拟合方法难以准确描述其变化规律，导致拟合精度下降。另一方面，不同拟合方法在不同地形条件下的适用性和精度差异较大，缺乏一种通用的、能够在各种地形条件下都保持高精度的拟合方法。此外，对于如何充分利用多源数据，如重力数据、地形数据等，来进一步提高高程异常拟合精度的研究还不够深入。1.3研究目标与内容本研究旨在深入探究GPS高程异常拟合的相关理论与方法，通过对比分析多种拟合算法，结合实际案例，找到在不同地形条件下最适宜的拟合方法，从而有效提高GPS高程测量精度，为实际工程应用提供可靠的技术支持和理论依据。主要研究内容包括以下几个方面：首先，深入剖析GPS高程测量的基本原理，以及大地高、正常高和高程异常之间的内在联系和转换关系，明确高程异常拟合在GPS高程测量中的关键作用和重要地位。其次，系统研究目前常用的多种高程异常拟合方法，如多项式曲面拟合法、多面函数拟合法、神经网络拟合法等，详细阐述每种方法的数学模型、算法流程和适用条件。通过理论分析和实验对比，深入探讨不同拟合方法在不同地形条件下的精度表现和适应性差异，分析影响拟合精度的关键因素，如数据点的分布、数量、地形特征等。然后，选取具有代表性的不同地形区域，收集实际的GPS测量数据和水准测量数据，建立实验数据集。运用不同的拟合方法对实验数据进行处理，通过对比分析拟合结果与实际水准测量结果，对各种拟合方法的精度进行客观评价，确定每种方法在不同地形下的适用范围和局限性。最后，根据研究结果，提出针对不同地形条件的GPS高程异常拟合优化方案，为实际工程中的高程测量提供切实可行的技术指导和决策依据。1.4研究方法与技术路线本研究综合运用多种研究方法，以确保研究的全面性、科学性和有效性。首先，采用文献研究法，广泛查阅国内外关于GPS高程异常拟合的相关文献资料，了解该领域的研究现状、发展趋势和存在的问题，为后续研究提供坚实的理论基础和研究思路。通过对大量文献的梳理和分析，总结前人的研究成果和经验教训，明确本研究的切入点和创新点。其次，运用理论分析方法，深入研究GPS高程测量的基本原理、高程系统的转换关系以及各种高程异常拟合方法的数学模型和理论基础。从数学和物理的角度出发，分析不同拟合方法的优缺点、适用条件以及影响拟合精度的因素，为实验研究和实际应用提供理论指导。在实验研究方面，采用实验对比法，选取不同地形区域的实际测量数据，运用多种拟合方法进行处理和分析。通过设置相同的实验条件和评价指标，对比不同拟合方法在不同地形条件下的拟合精度和效果，客观评价各种方法的性能。同时，对实验结果进行深入分析，探究影响拟合精度的关键因素，为优化拟合方法提供依据。此外，还运用实例验证法，将研究成果应用于实际工程案例中，通过实际工程的检验，验证研究成果的实用性和可靠性。在实际工程应用中，进一步总结经验，发现问题，对研究成果进行完善和优化。技术路线方面，首先进行文献调研和资料收集，全面了解GPS高程异常拟合的研究现状和相关理论知识。然后，对收集到的GPS测量数据和水准测量数据进行预处理，包括数据清洗、格式转换、粗差剔除等，确保数据的质量和可用性。接下来，分别运用多项式曲面拟合法、多面函数拟合法、神经网络拟合法等多种拟合方法对预处理后的数据进行处理，建立相应的拟合模型。在模型建立过程中，根据不同方法的特点和要求，进行参数优化和模型调试。完成模型建立后，利用实际测量数据对模型进行验证和精度评价，通过对比拟合结果与实际水准测量结果，计算各种精度指标，如均方根误差、平均误差等，客观评价模型的精度和性能。根据精度评价结果，分析不同拟合方法在不同地形条件下的适用性和局限性，总结规律，提出针对不同地形条件的优化拟合方案。最后，将优化方案应用于实际工程案例中，进行实际验证和效果评估，根据实际应用反馈，进一步完善和优化研究成果。技术路线图如图1.1所示。图1.1技术路线图二、GPS高程异常拟合基础理论2.1GPS测量原理与高程系统GPS是一种基于卫星导航的空间定位系统，其测量定位原理基于卫星与地面接收设备之间的距离测量。GPS系统由空间卫星星座、地面控制部分和用户设备三大部分组成。空间卫星星座由多颗分布在不同轨道上的卫星构成，这些卫星持续向地面发射包含自身位置信息和时间信息的信号。地面控制部分负责监测卫星的运行状态，对卫星轨道和时间进行精确控制和修正，确保卫星信号的准确性和可靠性。用户设备则通过接收多颗卫星发射的信号，利用三角测量原理计算出自身与卫星之间的距离，进而确定自身的三维坐标。具体而言，用户设备接收到卫星信号后，通过测量信号从卫星传播到用户设备所经历的时间，乘以光速即可得到卫星到用户设备的距离。由于卫星的位置是已知的，通过测量至少四颗卫星与用户设备之间的距离，利用空间后方交会原理，就可以解算出用户设备在WGS-84坐标系下的三维坐标，包括大地经度、大地纬度和大地高。其中，大地高是以参考椭球面为基准的高程，它是地面点沿参考椭球面法线到参考椭球面的距离，是一个纯几何量，仅反映了地面点相对于参考椭球面的垂直位置关系，在实际应用中，由于其基准面与人们日常生活和工程建设中常用的高程基准不一致，缺乏直接的物理意义和实用性。在测绘领域中，常用的高程系统除了大地高系统外，还有正高系统和正常高系统。正高系统是以大地水准面为基准面的高程系统，某点的正高是该点到通过该点的铅垂线与大地水准面的交点之间的距离。大地水准面是一个与平均海水面重合并向大陆、岛屿延伸而形成的闭合曲面，它是一个重力等位面，具有明确的物理意义，反映了地球重力场的分布情况。然而，由于地球内部物质分布的不均匀性，导致重力场的变化较为复杂，使得精确测定沿铅垂线从地面点至大地水准面之间的平均重力值变得极为困难，这也使得在实际应用中准确确定地面点的正高面临较大挑战。正常高系统是以似大地水准面为基准的高程系统，某点的正常高是该点到通过该点的铅垂线与似大地水准面的交点之间的距离。似大地水准面是由地面点沿正常重力线向下量取正常高所得点形成的连续曲面，它并非真实的物理面，而是为了便于计算和应用而引入的一个辅助面。与大地水准面相比，似大地水准面在海洋上与大地水准面一致，在陆地上虽有差别，但较为接近。正常高系统通过引入平均正常重力值来替代平均重力值，有效解决了正高系统中平均重力值难以精确测定的问题，使得正常高能够较为精确地确定，因此在实际工程测量和地理信息应用中得到了广泛的采用，如我国现行的1985国家高程基准就是基于正常高系统建立的。大地高、正高和正常高之间存在着密切的关系。大地高与正高之间的关系为：正高等于大地高减去大地水准面差距，即H_g=H-N，其中H_g表示正高，H表示大地高，N表示大地水准面差距，它是大地水准面与参考椭球面之间的垂直距离，反映了大地水准面相对于参考椭球面的起伏情况。大地高与正常高之间的关系为：正常高等于大地高减去高程异常，即H_{\gamma}=H-\zeta，其中H_{\gamma}表示正常高，\zeta表示高程异常，它是似大地水准面与参考椭球面之间的高差，体现了似大地水准面相对于参考椭球面的偏离程度。通过这些关系可以看出，高程异常在大地高与正常高的转换过程中起着关键的桥梁作用，准确确定高程异常对于实现GPS大地高向正常高的有效转换至关重要。高程异常作为大地高与正常高之间的差值，其定义为似大地水准面至参考椭球面的高差。它在GPS高程测量中具有不可或缺的作用，是实现GPS大地高向正常高转换的核心要素。由于GPS直接测量得到的是大地高，而在实际工程应用中，如道路建设、桥梁施工、水利工程等，所需要的高程数据通常是基于正常高系统的。因此，通过准确求解高程异常，就可以将GPS测量得到的大地高转换为实际应用所需的正常高，从而拓展GPS在高程测量领域的应用范围，提高测量效率和精度，为各类工程建设和地理信息分析提供可靠的高程数据支持。2.2GPS高程异常拟合基本原理GPS高程异常拟合的基本原理是利用已知点的大地高和正常高数据，通过建立合适的数学模型，来逼近和描述测区内似大地水准面的形状和变化规律，进而求解未知点的高程异常。在实际测量中，首先在测区内选取一定数量分布较为均匀的已知点，这些已知点通过GPS测量获取其大地高，同时通过水准测量获得其正常高，从而可以计算出这些已知点的高程异常。然后，以这些已知点的高程异常和平面坐标为基础，构建数学模型。常用的拟合模型有多项式曲面拟合法、多面函数拟合法、神经网络拟合法等。多项式曲面拟合法是将测区内的似大地水准面近似看作是一个多项式曲面，通过已知点的高程异常和平面坐标，利用最小二乘法等方法确定多项式的系数，从而得到拟合曲面的方程。例如，对于二维平面上的多项式拟合，其一般形式可以表示为\zeta=a_0+a_1x+a_2y+a_3x^2+a_4xy+a_5y^2+\cdots，其中\zeta为高程异常，x和y为平面坐标，a_0,a_1,a_2,\cdots为待确定的系数。通过将已知点的坐标和高程异常代入该方程，组成线性方程组，在满足最小二乘准则的条件下，求解出这些系数，进而得到拟合曲面。该方法计算相对简单，在地形变化较为平缓的区域能够取得较好的拟合效果，但对于地形复杂、起伏较大的区域，由于多项式曲面难以准确描述似大地水准面的复杂变化，拟合精度会受到较大影响。多面函数拟合法是基于多面函数理论，通过构造一系列具有特定形式的多面函数，如Q(r_i)=\frac{r_i^2}{R^2+r_i^2}（其中r_i为待求点到已知点的距离，R为常数），对已知点的高程异常进行拟合。该方法假设测区内任意一点的高程异常可以表示为各个已知点多面函数的线性组合，即\zeta=\sum_{i=1}^{n}a_iQ(r_i)，其中a_i为待定系数，n为已知点的个数。通过已知点的高程异常和平面坐标，利用最小二乘法求解出系数a_i，从而建立起高程异常拟合模型。多面函数拟合法具有较强的灵活性和适应性，能够较好地拟合复杂地形下的似大地水准面，但计算过程相对复杂，对数据点的分布和数量要求较高，且在实际应用中，函数参数的选择对拟合结果有较大影响。神经网络拟合法是利用神经网络强大的非线性映射能力，通过对大量已知数据的学习和训练，自动提取数据中的特征和规律，建立起高程异常与平面坐标之间的非线性关系模型。例如，常用的BP神经网络，它由输入层、隐含层和输出层组成，通过不断调整各层神经元之间的连接权重，使得网络的输出值与实际的高程异常值之间的误差最小。在训练过程中，将已知点的平面坐标作为输入，对应的高程异常作为输出，通过反复迭代训练，使神经网络学习到数据中的内在关系。神经网络拟合法能够处理高度非线性的问题，对于复杂地形的拟合具有较高的精度，但训练过程需要大量的样本数据，且训练时间较长，容易陷入局部最优解，网络结构的选择和参数的设置也缺乏统一的标准，需要根据实际情况进行调试和优化。在选择拟合模型时，需要综合考虑多种因素。首先，要考虑测区的地形特征，对于地形平坦的区域，可以选择相对简单的多项式曲面拟合法，既能满足精度要求，又能提高计算效率；而对于地形复杂、起伏较大的区域，则应选择适应性更强的多面函数拟合法或神经网络拟合法。其次，数据点的分布和数量也会影响模型的选择，若数据点分布均匀且数量充足，可以选择对数据要求较高的模型，如多面函数拟合法；若数据点分布不均匀或数量有限，则需要选择对数据适应性较好的模型。此外，还要考虑计算效率和实际应用的需求，对于实时性要求较高的应用场景，应选择计算速度较快的模型。确定拟合模型的参数是实现高精度拟合的关键环节。对于多项式曲面拟合法，主要是通过最小二乘法求解多项式的系数，在求解过程中，要保证方程的系数矩阵满秩，以确保解的唯一性和稳定性。对于多面函数拟合法，需要合理选择多面函数的形式和参数，如函数中的常数R等，这些参数的取值会直接影响拟合的精度和效果，通常可以通过试算和比较不同参数下的拟合结果来确定最优值。对于神经网络拟合法，网络结构的确定，如隐含层的层数和神经元个数，以及训练参数的设置，如学习率、迭代次数等，都需要通过大量的实验和调试来优化，以提高网络的泛化能力和拟合精度。通过科学合理地选择拟合模型和确定模型参数，可以有效地提高GPS高程异常拟合的精度，实现GPS大地高向正常高的准确转换，满足不同工程应用对高程数据的需求。三、GPS高程异常拟合方法3.1传统拟合方法3.1.1多项式曲面拟合法多项式曲面拟合法是一种经典的GPS高程异常拟合方法，其原理基于数学中的多项式函数逼近理论。该方法假设测区内的似大地水准面可以用一个多项式曲面来近似表示，通过已知点的大地高和正常高数据，利用最小二乘法等数学方法确定多项式的系数，从而构建出拟合曲面的数学模型。在二维平面上，多项式曲面拟合的一般数学模型可表示为：\zeta=a_0+a_1x+a_2y+a_3x^2+a_4xy+a_5y^2+\cdots+\varepsilon其中，\zeta表示高程异常，x和y分别为平面坐标（如高斯平面坐标），a_0,a_1,a_2,\cdots是待确定的多项式系数，\varepsilon为拟合误差。多项式的次数对拟合精度有着显著的影响。一般来说，随着多项式次数的增加，拟合曲面能够更好地逼近复杂的似大地水准面形状，从而提高拟合精度。例如，一次多项式（平面拟合）仅能描述一个简单的平面趋势，适用于地形相对平坦、似大地水准面变化较为平缓的区域。在这种区域中，平面拟合能够快速有效地计算出高程异常，且计算量较小。然而，对于地形起伏较大、似大地水准面变化复杂的区域，一次多项式的拟合能力就显得不足，此时需要采用更高次的多项式。二次多项式可以描述一些简单的曲面弯曲，相比一次多项式，它能够更好地适应地形的变化，在一定程度上提高拟合精度。但当遇到更为复杂的地形，如高山峡谷地区，二次多项式也可能无法准确描述似大地水准面的复杂形态，这时就需要考虑使用三次或更高次的多项式。然而，多项式次数的增加并非毫无弊端。随着次数的升高，多项式的计算复杂度会显著增加，需要求解更多的系数，计算量呈指数级增长。而且，高次多项式容易出现过拟合现象，即对已知数据点的拟合效果非常好，但对未知点的预测能力却很差，模型的泛化能力下降。这是因为高次多项式具有更强的灵活性，它可以通过复杂的曲线变化来精确地拟合已知数据，但同时也会将数据中的噪声和局部波动过度拟合，导致在新的数据点上表现不佳。数据点的数量和分布同样对拟合精度有着重要影响。数据点数量越多，且分布越均匀，就能够为拟合模型提供更丰富的信息，使得拟合曲面能够更好地反映测区内似大地水准面的真实形状，从而提高拟合精度。在实际测量中，若数据点数量过少，拟合模型可能无法捕捉到似大地水准面的关键特征，导致拟合结果偏差较大。例如，在一个较大的测区内，如果仅使用少量的已知点进行拟合，那么拟合曲面可能会忽略掉测区内一些局部的地形变化，从而在这些区域产生较大的拟合误差。而数据点分布不均匀时，也会影响拟合精度。若数据点集中在某一区域，而其他区域数据点稀少，那么拟合模型在数据点密集区域的拟合效果可能较好，但在数据点稀少区域则可能出现较大偏差，因为模型缺乏足够的信息来准确描述该区域的似大地水准面。以某平原地区的测量为例，该地区地形较为平坦，似大地水准面变化平缓。在该区域内选取了30个分布较为均匀的已知点，通过GPS测量获取其大地高，同时利用水准测量得到其正常高，进而计算出这些点的高程异常。分别采用一次、二次和三次多项式曲面拟合法对这些数据进行拟合。结果显示，一次多项式拟合的均方根误差（RMSE）为0.15m，二次多项式拟合的RMSE为0.12m，三次多项式拟合的RMSE为0.11m。可以看出，在这种地形平坦的区域，随着多项式次数的增加，拟合精度有所提高，但提升幅度并不显著。这是因为地形本身较为简单，一次多项式已经能够较好地描述似大地水准面的趋势，高次多项式虽然能够进一步提高精度，但由于数据中噪声和局部波动较小，过拟合风险较低，所以提升效果有限。再以某山区的测量为例，该地区地形起伏较大，似大地水准面变化复杂。同样选取30个已知点进行拟合，一次多项式拟合的RMSE达到了0.5m，二次多项式拟合的RMSE为0.3m，三次多项式拟合的RMSE为0.2m。在这种复杂地形区域，一次多项式的拟合精度明显不足，无法准确描述似大地水准面的复杂变化。而二次和三次多项式能够更好地适应地形的起伏，拟合精度有了显著提高。但随着多项式次数的增加，计算时间也相应增加，且在部分区域出现了过拟合现象，导致拟合结果在这些区域出现异常波动。3.1.2多面函数拟合法多面函数拟合法是基于多面函数理论构建似大地水准面模型的一种方法。其基本原理是假设测区内任意一点的高程异常可以表示为一系列已知点的多面函数的线性组合。多面函数是一种具有特定形式的函数，通过对这些函数进行组合，可以逼近任意复杂的曲面，从而实现对似大地水准面的有效拟合。多面函数拟合法的数学模型通常表示为：\zeta(x,y)=\sum_{i=1}^{n}a_iQ(r_i)+\varepsilon其中，\zeta(x,y)是待求点(x,y)的高程异常，n为已知点的个数，a_i是待定系数，Q(r_i)是多面函数，r_i=\sqrt{(x-x_i)^2+(y-y_i)^2}表示待求点(x,y)到已知点(x_i,y_i)的距离，\varepsilon为拟合误差。常见的多面函数形式有多种，例如：Q(r_i)=\frac{r_i^2}{R^2+r_i^2}其中R为常数，它的取值会对拟合效果产生影响。R值较小时，多面函数对局部地形变化的敏感性较高，能够较好地拟合地形的细节特征，但可能会导致拟合曲面在整体上不够平滑；R值较大时，多面函数更注重整体趋势的拟合，拟合曲面较为平滑，但可能会忽略一些局部的地形变化。在实际应用中，需要根据测区的地形特征和数据点分布情况，通过试算等方法来选择合适的R值，以达到最佳的拟合效果。确定多面函数拟合法中的参数，主要是确定待定系数a_i。通常采用最小二乘法来求解这些系数。最小二乘法的原理是使拟合值与已知点的实际高程异常值之间的残差平方和达到最小。具体步骤如下：首先，将已知点的坐标(x_i,y_i)和高程异常\zeta_i代入多面函数模型，得到n个方程：\zeta_j=\sum_{i=1}^{n}a_iQ(r_{ij})+\varepsilon_j,(j=1,2,\cdots,n)其中r_{ij}=\sqrt{(x_j-x_i)^2+(y_j-y_i)^2}。然后，构建残差平方和函数：S=\sum_{j=1}^{n}\varepsilon_j^2=\sum_{j=1}^{n}(\zeta_j-\sum_{i=1}^{n}a_iQ(r_{ij}))^2对S关于a_i求偏导数，并令偏导数等于0，得到一个线性方程组：\frac{\partialS}{\partiala_k}=-2\sum_{j=1}^{n}(\zeta_j-\sum_{i=1}^{n}a_iQ(r_{ij}))Q(r_{kj})=0,(k=1,2,\cdots,n)解这个线性方程组，即可得到待定系数a_i的值，从而确定多面函数拟合模型。为了分析多面函数拟合法的精度，进行了如下实验：在一个地形复杂的山区选取了50个已知点，这些点分布在不同的地形部位，包括山谷、山脊、山顶等。首先，利用最小二乘法确定多面函数的参数，构建拟合模型。然后，利用该模型对另外20个未知点的高程异常进行预测，并将预测结果与这些点的实际水准测量高程异常进行对比。通过计算均方根误差（RMSE）、平均误差（ME）等精度指标来评估拟合精度。实验结果表明，多面函数拟合法的RMSE为0.25m，ME为0.08m。与其他拟合方法（如多项式曲面拟合法）相比，在这种地形复杂的区域，多面函数拟合法能够更好地捕捉地形的复杂变化，拟合精度更高。然而，多面函数拟合法的计算过程相对复杂，对计算资源的要求较高，尤其是在数据点数量较多时，求解线性方程组的计算量会显著增加。3.1.3移动曲面拟合法移动曲面拟合法是一种局部拟合方法，其原理是在测区内以每个待求点为中心，选取一定范围内的已知点，利用这些已知点的数据构建一个局部的拟合曲面，从而对该待求点的高程异常进行拟合。这种方法的核心在于通过移动局部拟合窗口，自适应地适应地形的变化，能够更好地反映局部地形特征，尤其适用于地形变化较为复杂的区域。在移动曲面拟合法中，滑动窗口的设置是关键环节。滑动窗口的大小和重叠度会对拟合精度产生重要影响。滑动窗口大小决定了参与局部拟合的已知点数量和范围。窗口过大时，虽然能够包含更多的已知点，获取更丰富的信息，但也可能会引入与待求点地形差异较大的点，导致拟合结果受到干扰，无法准确反映局部地形特征，从而降低拟合精度。例如，在山区进行测量时，如果窗口过大，可能会将山谷和山顶的点同时纳入一个窗口，而山谷和山顶的地形差异很大，这样拟合出来的曲面就无法准确描述待求点所在位置的地形。窗口过小时，参与拟合的已知点数量不足，拟合模型可能无法捕捉到地形的变化趋势，同样会导致拟合精度下降。在平坦地区，窗口过小可能会忽略掉一些微小的地形起伏，使得拟合结果不够准确。滑动窗口的重叠度也会影响拟合精度。重叠度是指相邻两个窗口之间的重叠部分占窗口大小的比例。适当的重叠度可以保证相邻窗口之间的拟合结果具有较好的连续性和平滑性。如果重叠度太小，相邻窗口之间的拟合结果可能会出现明显的跳跃，导致整个拟合曲面不连续，影响拟合精度。而重叠度太大，则会增加计算量，因为会有大量的重复计算。一般来说，重叠度在30%-50%之间较为合适，具体取值需要根据测区的地形特征和数据点分布情况进行调整。以某丘陵地区的测量为例，该地区地形起伏较为明显，存在多个山丘和山谷。在该地区进行移动曲面拟合法的应用，设置了不同大小和重叠度的滑动窗口进行实验。首先，设置窗口大小为5km×5km，重叠度为30%，选取了100个已知点进行拟合。利用构建的移动曲面模型对测区内的50个未知点的高程异常进行预测，计算得到拟合结果的均方根误差（RMSE）为0.2m。然后，将窗口大小调整为3km×3km，重叠度保持30%，再次进行拟合和预测，此时RMSE降低到了0.15m。这表明在该丘陵地区，较小的窗口大小能够更好地适应地形的局部变化，提高拟合精度。接着，将窗口大小固定为3km×3km，将重叠度调整为50%，结果发现RMSE进一步降低到了0.12m。这说明适当增加重叠度，可以提高拟合曲面的连续性和平滑性，从而进一步提高拟合精度。在实际应用中，移动曲面拟合法在地形测绘、工程建设等领域都有广泛的应用。在城市建设中，需要对城市地形进行精确测量，由于城市地形复杂，存在建筑物、道路、河流等各种地形特征，移动曲面拟合法能够根据不同区域的地形特点，灵活调整拟合窗口，准确地获取地形信息，为城市规划、道路设计等提供高精度的高程数据。在山区的公路建设中，移动曲面拟合法可以帮助工程师准确掌握地形起伏情况，合理设计公路的坡度和路线，确保公路建设的安全和可行性。3.2基于神经网络的拟合方法3.2.1BP神经网络拟合法BP神经网络（BackPropagationNeuralNetwork）是一种广泛应用的前馈型神经网络，它由输入层、隐含层和输出层组成，各层之间通过神经元的连接权重进行信息传递。在高程异常拟合中，BP神经网络利用其强大的非线性映射能力，能够自动学习高程异常与平面坐标之间复杂的非线性关系，从而实现高精度的拟合。BP神经网络的结构包括输入层、隐含层和输出层。输入层负责接收外部数据，在高程异常拟合中，通常将GPS点的平面坐标（如高斯平面坐标x、y）作为输入数据。隐含层是神经网络的核心部分，它由多个神经元组成，神经元之间通过权重连接。隐含层的作用是对输入数据进行非线性变换，提取数据的特征。隐含层的层数和神经元个数是影响神经网络性能的重要参数，一般来说，增加隐含层的层数和神经元个数可以提高神经网络的拟合能力，但同时也会增加计算量和训练时间，并且容易出现过拟合现象。输出层则输出神经网络的计算结果，在高程异常拟合中，输出层的结果即为预测的高程异常值。BP神经网络的学习算法基于误差反向传播原理。在训练过程中，首先将输入数据通过输入层传递到隐含层，隐含层的神经元对输入数据进行加权求和，并通过激活函数进行非线性变换，然后将变换后的结果传递到输出层。输出层根据神经元的加权求和结果得到预测值。将预测值与实际的高程异常值进行比较，计算出误差。然后，误差通过反向传播的方式从输出层传递回隐含层和输入层，在反向传播过程中，根据误差的大小调整各层神经元之间的连接权重，使得误差逐渐减小。这个过程不断迭代，直到误差达到设定的阈值或者达到最大迭代次数为止。在高程异常拟合中的应用步骤如下：首先，收集测区内已知点的平面坐标和高程异常数据，将这些数据分为训练集和测试集。训练集用于训练BP神经网络，测试集用于评估神经网络的性能。然后，根据数据的特点和问题的复杂程度，确定BP神经网络的结构，包括隐含层的层数、神经元个数等参数。接下来，对BP神经网络进行初始化，设置各层神经元之间的初始连接权重和阈值。之后，将训练集数据输入到神经网络中进行训练，按照误差反向传播算法不断调整权重和阈值，使神经网络的预测值与实际值之间的误差最小。训练完成后，使用测试集数据对神经网络进行测试，计算预测值与实际值之间的误差，评估神经网络的拟合精度。通过实例分析BP神经网络拟合法的优缺点。在某地形复杂的山区进行高程异常拟合实验，选取了100个已知点，其中80个点作为训练集，20个点作为测试集。构建了一个具有1个隐含层、10个神经元的BP神经网络进行拟合。经过多次训练和调整参数，最终得到的拟合结果的均方根误差（RMSE）为0.18m。与传统的多项式曲面拟合法相比，在这种地形复杂的区域，BP神经网络能够更好地捕捉高程异常与平面坐标之间的非线性关系，拟合精度更高。然而，BP神经网络也存在一些缺点。训练过程需要大量的样本数据，若样本数据不足或分布不均匀，会影响神经网络的性能。训练时间较长，尤其是在数据量较大、网络结构复杂的情况下，训练时间会显著增加。BP神经网络还容易陷入局部最优解，导致拟合结果并非全局最优。3.2.2RBF神经网络拟合法RBF神经网络（RadialBasisFunctionNeuralNetwork）是一种基于径向基函数的前馈神经网络，其原理基于局部逼近理论。与BP神经网络不同，RBF神经网络的隐含层神经元采用径向基函数作为激活函数，这种函数的特点是其输出值随着输入与神经元中心的距离而变化，具有局部响应特性。在高程异常拟合中，RBF神经网络能够通过合理选择径向基函数和确定网络参数，有效地逼近复杂的高程异常曲面，实现高精度的拟合。RBF神经网络的原理是：输入层接收输入数据，如GPS点的平面坐标x、y。隐含层由多个神经元组成，每个神经元都有一个中心c_i和一个宽度参数\sigma_i。当输入数据进入隐含层时，每个神经元通过径向基函数计算输入与自身中心的距离，并根据距离的大小产生相应的输出。常用的径向基函数有高斯函数：\varphi_i(x)=\exp\left(-\frac{\|x-c_i\|^2}{2\sigma_i^2}\right)其中\|x-c_i\|表示输入向量x与中心c_i之间的欧氏距离。隐含层的输出经过加权求和后传递到输出层，输出层根据加权结果得到最终的预测值，即高程异常值。径向基函数的选择对RBF神经网络的性能有着关键影响。除了高斯函数外，还有多二次函数、逆多二次函数等多种径向基函数可供选择。不同的径向基函数具有不同的特性，高斯函数是最常用的径向基函数之一，它具有光滑性好、计算简单等优点，能够较好地适应大多数情况。在选择四、影响GPS高程异常拟合精度的因素4.1GPS测量误差因素4.1.1卫星相关误差卫星相关误差主要包括卫星轨道误差、钟差和信号传播延迟，这些误差对GPS测量精度有着显著的影响。卫星轨道误差是指卫星实际运行轨道与预报轨道之间的偏差。由于卫星在太空中受到多种复杂摄动力的作用，如地球引力、太阳引力、月球引力以及太阳光压等，使得精确确定卫星的轨道变得极为困难。卫星轨道误差会直接导致定位结果的偏差，在绝对定位中，其影响可达几十米甚至上百米。例如，在一些对定位精度要求较高的工程测量中，如果卫星轨道误差较大，可能会导致建筑物的位置定位偏差，影响工程的设计和施工。为了减弱卫星轨道误差的影响，可以采用轨道改进法处理观测数据。这种方法是通过引入轨道偏差改正数，对卫星轨道进行修正。根据引入轨道偏差改正数的不同，可分为短弧法和半短弧法。短弧法是引入全部6个轨道偏差改正数作为待估参数，在数据处理中与其它待估参数一并求解，能明显减弱轨道偏差影响，但计算工作量大。半短弧法是根据摄动力对轨道参数的不同影响，只对其中影响较大的参数引入相应的改正数作为待估参数进行分析，目前该法修正的轨道偏差不超过10m，且计算量明显减小。此外，还可以利用同步观测值求差的方法，由于同一卫星的位置误差对不同观测站同步观测量的影响具有系统性，利用两个或多个观测站上对同一卫星的同步观测值求差，可减弱轨道误差影响，当基线较短时，这种方法的有效性尤其明显。卫星钟差是指GPS卫星上原子钟的钟面时与GPS标准时间的差别。尽管卫星上采用了高精度的原子钟，但由于各种因素的影响，如温度变化、相对论效应等，卫星钟仍不可避免地存在钟差和漂移，其偏差总量约在1ms内，由此引起的等效距离误差可达300km。卫星钟差会导致接收机对信号传播时间的计算出现偏差，从而影响定位精度。例如，在时间同步要求较高的通信系统中，如果卫星钟差较大，可能会导致通信信号的传输延迟不一致，影响通信质量。为了减弱卫星钟差的影响，通常采用卫星钟差模型进行改正。卫星钟的偏差一般可通过对卫星运行状态的连续监测精确地确定，并用二阶多项式表示：\deltat_j=a_0+a_1(t-t_{0e})+a_2(t-t_{0e})^2，式中的参数由主控站测定，通过卫星的导航电文提供给用户。经钟差模型改正后，各卫星钟之间的同步差保持在20ns以内，引起的等效距离偏差不超过6m。在相对定位中，卫星钟经过改正的残差，还可通过观测量求差（差分）方法消除，进一步提高定位精度。信号传播延迟主要包括电离层延迟和对流层延迟。电离层延迟是由于GPS信号在穿过电离层时，受到电离层中自由电子和离子的影响，导致信号传播速度发生变化，传播路径产生弯曲，从而使信号传播时间与真空中光速的乘积不等于卫星至接收机间的几何距离。电离层延迟的大小主要取决于信号频率和传播路径上的电子总量，其对测码伪距的影响可达数十米，对载波相位测量的影响也有厘米级。例如，在低纬度地区，由于电离层活动较为剧烈，电离层延迟对GPS测量精度的影响更为显著。为了减弱电离层延迟的影响，可采用双频观测技术。由于电离层影响是信号频率的函数，利用不同频率电磁波信号进行观测，可确定其影响大小，并对观测量加以修正，其有效性不低于95%。还可以利用电离层模型加以改正，对于单频接收机，一般采用由导航电文提供的或其它适宜电离层模型对观测量进行改正，目前模型改正的有效性约为75%。此外，当观测站间的距离较近（小于20km）时，卫星信号到达不同观测站的路径相近，通过同步求差，可使电离层延迟的残差不超过10^{-6}。对流层延迟是由于GPS信号在穿过对流层时，受到对流层中大气分子、水汽等的影响，导致信号传播路径产生弯曲，使距离测量值产生系统性偏差。对流层延迟对测码伪距和载波相位观测值的影响相同，其大小主要与大气温度、压力、湿度和信号传播路径的高度有关。例如，在山区或水汽含量较高的地区，对流层延迟的影响会更加明显。为了减弱对流层延迟的影响，当定位精度要求不高时，可以忽略不计。对于精度要求较高的测量，可采用对流层模型加以改正，如常见的Hopfield模型、Saastamoinen模型等。还可以引入描述对流层的附加待估参数，在数据处理中求解，以提高改正的精度。此外，通过观测量求差的方法，也能在一定程度上减弱对流层延迟的影响。4.1.2观测环境误差观测环境误差主要有多路径效应、电离层和对流层延迟。多路径效应是指GPS信号在传播过程中，除了直接到达接收机的信号外，还会经过周围地物（如建筑物、水面、山坡等）的反射后到达接收机，这些反射信号与直接信号相互叠加干扰，从而使测量值产生系统误差。多路径效应的产生与测站周围的环境密切相关，在城市高楼林立的区域、靠近大面积水域的地方以及地形起伏较大的山区，多路径效应尤为明显。例如，在城市街道峡谷中，GPS信号会在建筑物之间多次反射，导致接收信号的强度和相位发生复杂变化，严重影响测量精度。多路径效应会对测量结果产生较大影响，它会导致信号的延迟和失真，从而影响距离测量的准确性。在测码伪距测量中，多路径效应的影响可达米级，在测相伪距测量中，影响也能达到厘米级。而且，多路径效应还可能导致卫星信号失锁和产生周跳，使测量数据出现异常波动，降低测量的可靠性。为了减弱多路径效应的影响，可以采取多种措施。在选择观测站时，应尽量避免在具有强反射面的环境中设置测站，如远离水面、平坦光滑的地面和大型建筑物表面。选择具有良好抗多路径性能的GPS接收机天线，如扼流圈天线，这种天线能够有效抑制反射信号的接收，减少多路径效应的影响。适当延长观测时间，通过对多个历元的观测数据进行处理，利用信号的统计特性，削弱多路径效应的周期性影响。此外，还可以通过改进接收机的电路设计，采用信号处理技术对接收信号进行分析和处理，识别并剔除反射信号，提高测量精度。电离层延迟是由于GPS信号在穿过电离层时，受到电离层中自由电子和离子的影响，导致信号传播速度和路径发生改变，从而产生测量误差。电离层延迟的大小与信号频率、传播路径上的电子总量以及太阳活动等因素密切相关。在白天，尤其是太阳活动高峰期，电离层中的电子密度较高，电离层延迟的影响更为显著。例如，在太阳耀斑爆发期间，电离层延迟可能会突然增大，导致GPS测量精度急剧下降。电离层延迟对GPS测量精度的影响主要体现在距离测量上，它会使测量得到的卫星到接收机的距离产生偏差，从而影响定位结果。在高精度的测量应用中，如大地测量、航空航天等领域，电离层延迟的影响不容忽视。为了减弱电离层延迟的影响，常用的方法有双频观测技术。由于电离层对不同频率的信号影响不同，利用双频接收机接收不同频率的GPS信号，通过计算可以有效地消除大部分电离层延迟的影响，其改正有效性不低于95%。还可以利用电离层模型对观测值进行改正，如国际参考电离层模型（IRI）、Klobuchar模型等。这些模型根据电离层的变化规律和相关参数，对电离层延迟进行估算和改正，但由于电离层的复杂性和多变性，模型改正的有效性约为75%，仍存在一定的残余误差。此外，当观测站间距离较近时，通过同步观测值求差的方法，也能在一定程度上减弱电离层延迟的影响。对流层延迟是由于GPS信号在穿过对流层时，受到对流层中大气分子、水汽等的影响，导致信号传播路径发生弯曲，使测量得到的距离产生系统性偏差。对流层延迟主要包括干分量和湿分量两部分，干分量主要与大气温度和压力有关，湿分量主要与信号传播路径上的大气湿度和高度有关。在山区、沿海地区等水汽含量较高或地形起伏较大的区域，对流层延迟的影响更为明显。例如，在山区进行测量时，由于海拔高度的变化和水汽的不均匀分布，对流层延迟的变化较为复杂，对测量精度的影响较大。对流层延迟对GPS测量精度的影响与电离层延迟类似，主要体现在距离测量上，它会导致定位结果出现偏差。在高精度的测量任务中，如精密工程测量、地球动力学研究等，必须对对流层延迟进行有效的改正。为了减弱对流层延迟的影响，当定位精度要求不高时，可以忽略对流层延迟的影响。对于精度要求较高的测量，可采用对流层模型进行改正，常见的对流层模型有Hopfield模型、Saastamoinen模型等。这些模型根据对流层的物理特性和相关参数，对对流层延迟进行估算和改正，但由于对流层的复杂性，尤其是湿分量的不确定性，模型改正仍存在一定的误差。还可以引入描述对流层的附加待估参数，在数据处理中与其他参数一并求解，以提高对流层延迟改正的精度。此外，通过观测量求差的方法，也能在一定程度上减弱对流层延迟的影响，特别是在短基线测量中，这种方法效果较为明显。4.1.3仪器误差仪器误差主要来源于GPS接收机和天线，这些误差会直接影响GPS测量的精度。GPS接收机的误差来源包括钟误差、通道间的偏差、锁相环延迟、码跟踪环偏差等。接收机钟误差是指接收机内部时钟与GPS标准时间之间的差异。由于接收机大多采用石英钟，其精度相对较低，与卫星钟相比，钟误差更为显著。接收机钟误差会导致对卫星信号传播时间的测量出现偏差，从而影响定位精度。例如，在需要高精度时间同步的应用中，如电力系统的时间同步、通信基站的时间校准等，如果接收机钟误差较大，可能会导致系统的运行出现故障。为了减弱接收机钟误差的影响，可以采用高精度的原子钟作为接收机的时钟源，提高时钟的精度和稳定性。在数据处理过程中，可以通过引入接收机钟差参数，与其他定位参数一并求解，对钟误差进行改正。还可以利用差分技术，通过在已知精确位置的基准站上进行观测，获取基准站的钟差信息，然后将其应用到流动站的观测数据中，消除接收机钟差的影响。通道间的偏差是指接收机不同通道对卫星信号的处理存在差异，导致测量结果出现偏差。这种偏差主要是由于接收机内部电路的不一致性引起的。通道间的偏差会影响对不同卫星信号的测量精度，从而影响整体的定位精度。例如，在同时接收多颗卫星信号进行定位时，如果通道间的偏差较大，可能会导致不同卫星信号的测量结果不一致，从而降低定位的准确性。为了减小通道间的偏差，可以在接收机的设计和制造过程中，采用高精度的电路元件和严格的质量控制措施，确保各通道的一致性。在数据处理阶段，可以通过对接收机进行校准和标定，获取通道间的偏差参数，并对测量数据进行修正。锁相环延迟和码跟踪环偏差是由于接收机在跟踪卫星信号时，信号处理过程中的延迟和偏差导致的。这些误差会影响对卫星信号相位和码相位的测量精度，进而影响定位精度。例如，在高精度的载波相位测量中，如果锁相环延迟和码跟踪环偏差较大，可能会导致载波相位测量的误差增大，从而影响基线测量的精度。为了减小锁相环延迟和码跟踪环偏差，可以优化接收机的信号处理算法，提高信号跟踪的精度和稳定性。采用先进的数字信号处理技术，对信号进行滤波和降噪处理，减少噪声对信号跟踪的干扰。定期对接收机进行维护和校准，确保信号处理电路的性能稳定。GPS天线的误差主要包括天线相位中心偏差和天线的安置误差。天线相位中心偏差是指天线实际相位中心与理论相位中心之间的差异。由于天线的结构和制造工艺等原因，天线相位中心会随着信号的方向和极化方式等因素发生变化，导致测量结果出现偏差。例如，在进行高精度的测量时，如果天线相位中心偏差较大，可能会导致测量的基线长度出现误差，影响测量结果的准确性。为了减小天线相位中心偏差，可以在天线的设计和制造过程中，采用先进的技术和工艺，尽量减小相位中心的变化。在使用天线前，对天线进行校准和标定，获取天线相位中心偏差参数，并在数据处理中进行修正。选择具有良好相位中心稳定性的天线，如高精度的测量型天线。天线的安置误差包括天线的置平与对中误差和量取天线相位中心高度（天线高）误差。天线置平与对中误差会导致天线的实际位置与测量时假定的位置不一致，从而影响测量结果。天线高测量误差会直接影响高程测量的精度。例如，在进行水准测量与GPS测量联合应用时，如果天线高测量误差较大，可能会导致高程异常的计算出现偏差，影响GPS高程测量的精度。为了减小天线的安置误差，在安置天线时，应使用高精度的对中整平设备，确保天线的准确对中和水平安置。采用精确的测量方法和工具，如钢尺、全站仪等，准确量取天线高，并进行多次测量取平均值，减小测量误差。在测量过程中，严格按照操作规程进行操作，避免因人为因素导致的安置误差。操作规范对仪器精度也有着重要的影响。在使用GPS接收机和天线时，应严格按照仪器的使用说明书进行操作，避免因操作不当导致的误差。在观测过程中，保持仪器的稳定，避免仪器受到震动、碰撞等外界因素的影响。合理设置接收机的参数，如采样间隔、卫星截止高度角等，以适应不同的观测环境和测量要求。定期对仪器进行维护和保养，检查仪器的性能指标，及时发现和解决仪器存在的问题，确保仪器的精度和可靠性。例如，如果在观测过程中频繁移动接收机，可能会导致卫星信号失锁，影响测量精度；如果接收机的采样间隔设置不合理，可能会导致数据丢失或测量精度下降。因此，严格遵守操作规范是保证仪器精度和测量结果准确性的重要前提。4.2拟合模型因素4.2.1模型选择不当的影响在GPS高程异常拟合中，模型选择不当会对拟合精度产生显著影响，不同地形和测量条件下，这种影响表现各异。在地形平坦的区域，如平原地区，似大地水准面变化相对平缓，若选择过于复杂的拟合模型，如高阶多项式曲面拟合法或结构复杂的神经网络模型，虽然模型理论上能够更好地逼近复杂曲面，但由于该区域实际地形变化简单，复杂模型容易出现过拟合现象。过拟合会使模型在已知数据点上拟合效果很好，但对未知点的预测能力下降，导致拟合精度降低。例如，在某平原地区进行高程异常拟合时，使用五次多项式曲面拟合法，虽然在已知数据点上能够完美拟合，但在对其他未知点进行预测时，均方根误差达到了0.2m，而使用简单的一次多项式平面拟合法，均方根误差仅为0.1m，反而能更好地满足该地区的拟合需求。相反，在地形复杂的区域，如山区，似大地水准面变化剧烈，地形起伏大，存在山谷、山脊、陡坡等多种地形特征。若选择简单的拟合模型，如一次多项式平面拟合法，由于其只能描述简单的平面趋势，无法准确捕捉复杂地形下似大地水准面的变化，会导致拟合精度严重不足。在某山区的高程异常拟合实验中，使用一次多项式平面拟合法，拟合结果的均方根误差高达0.5m，无法满足工程应用对高程精度的要求。而采用适应性更强的多面函数拟合法或神经网络拟合法，能够更好地适应地形的复杂变化，均方根误差可控制在0.2m以内，大大提高了拟合精度。测量条件也会影响模型的选择。当测量数据点分布均匀且数量充足时，能够为复杂模型提供丰富的信息，使其充分发挥优势。例如，在一个数据点分布均匀且数量较多的测区，使用多面函数拟合法，由于有足够的数据支持，能够准确确定多面函数的参数，从而实现高精度的拟合。然而，当数据点分布不均匀或数量有限时，复杂模型可能无法充分学习到数据中的规律，导致拟合效果不佳。在数据点分布稀疏的区域，神经网络模型可能因为缺乏足够的训练样本，无法准确捕捉高程异常与平面坐标之间的关系，使得拟合精度下降。此时，相对简单的移动曲面拟合法，通过在局部区域内选取少量数据点进行拟合，能够更好地适应数据分布不均匀的情况，可能会取得更好的拟合效果。模型选择不当还可能导致计算效率低下。复杂模型通常需要更多的计算资源和时间来进行参数估计和模型求解。在一些对实时性要求较高的应用场景中，如动态测量或实时导航，如果选择了计算复杂的模型，可能会导致数据处理延迟，无法满足实际需求。在车辆的实时导航系统中，若采用计算量较大的神经网络模型进行高程异常拟合，可能会导致导航信息更新不及时，影响导航的准确性和实时五、GPS高程异常拟合精度评价5.1精度评价指标在GPS高程异常拟合中，常用的精度评价指标包括均方根误差（RootMeanSquaredError，RMSE）、平均误差（MeanError，ME）和中误差（MeanSquareError，MSE），这些指标从不同角度反映了拟合模型的精度和可靠性。均方根误差（RMSE）是最常用的精度评价指标之一，它能够综合反映拟合值与真实值之间的偏差程度。其计算公式为：RMSE=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(\zeta_{i}^{pred}-\zeta_{i}^{true})^2}其中，n为参与计算的点数，\zeta_{i}^{pred}是第i个点的拟合高程异常值，\zeta_{i}^{true}是第i个点的实际高程异常值。RMSE的单位与高程异常的单位相同，它对较大的误差赋予了更大的权重，因为误差是先平方后求和再开方，所以即使只有少数几个点的误差较大，也会使RMSE显著增大。这使得RMSE能够很好地反映出拟合模型在整体上的误差水平，特别是对于那些对误差较为敏感的应用场景，如高精度的工程测量，RMSE能够直观地展示拟合结果与实际值的偏离程度。平均误差（ME）用于衡量拟合值与真实值之间的平均差异，其计算公式为：ME=\frac{1}{n}\sum_{i=1}^{n}(\zeta_{i}^{pred}-\zeta_{i}^{true})ME可以反映出拟合值是整体偏大还是偏小，以及偏差的平均大小。如果ME的值接近零，说明拟合值在总体上与真实值较为接近，没有明显的系统偏差；若ME为正值，表明拟合值总体上大于真实值；若为负值，则说明拟合值总体上小于真实值。然而，ME的局限性在于它会受到正负误差相互抵消的影响，即使拟合值与真实值之间存在较大的偏差，但由于正负误差相互平衡，ME的值可能仍然较小，因此单独使用ME不能全面准确地评估拟合精度。中误差（MSE）与均方根误差类似，也是衡量拟合值与真实值之间误差的指标，其计算公式为：MSE=\frac{1}{n}\sum_{i=1}^{n}(\zeta_{i}^{pred}-\zeta_{i}^{true})^2MSE是误差平方的平均值，它与RMSE的区别在于MSE没有对误差平方和进行开方操作。MSE的值越大，说明拟合值与真实值之间的误差越大，拟合效果越差。在比较不同拟合模型的精度时，MSE可以作为一个重要的参考指标，但由于其单位是高程异常单位的平方，不便于直观理解和比较，因此在实际应用中，RMSE更为常用。这些精度评价指标在GPS高程异常拟合精度评估中起着关键作用。在选择拟合模型时，通过计算不同模型的RMSE、ME和MSE等指标，可以客观地比较各个模型的精度，从而选择出最适合的拟合模型。在评估拟合模型的改进效果时，也可以通过对比改进前后模型的这些精度指标，判断改进措施是否有效。例如，在某一测区进行GPS高程异常拟合时，对多项式曲面拟合法和多面函数拟合法分别计算其精度指标，发现多项式曲面拟合法的RMSE为0.25m，多面函数拟合法的RMSE为0.18m，由此可以判断在该测区多面函数拟合法的拟合精度更高，更适合用于该区域的高程异常拟合。5.2精度评价方法5.2.1内符合精度评价内符合精度评价是评估GPS高程异常拟合模型内部精度的重要方法，其核心思路是利用拟合模型计算已知点的高程异常，并将计算结果与这些已知点的实测高程异常值进行对比分析。在实际操作中，首先需要收集测区内一定数量的已知点数据，这些已知点通过高精度的GPS测量获取大地高，同时通过水准测量获得正常高，进而计算出准确的实测高程异常值。然后，运用选定的拟合模型，输入已知点的平面坐标，计算出这些点的拟合高程异常值。计算得到拟合高程异常值和实测高程异常值后，通过计算如均方根误差（RMSE）、平均误差（ME）等精度指标来定量评估拟合模型的内符合精度。以均方根误差为例，其计算公式为：RMSE_{in}=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(\zeta_{i}^{cal}-\zeta_{i}^{obs})^2}其中，n为已知点的数量，\zeta_{i}^{cal}是第i个已知点的拟合高程异常值，\zeta_{i}^{obs}是第i个已知点的实测高程异常值。RMSE值越小，说明拟合模型对已知点的拟合效果越好，模型的内符合精度越高。若RMSE值较大，则表明拟合模型在描述已知点的高程异常变化规律时存在较大偏差，模型的内部精度较低。内符合精度评价能够反映拟合模型对已有数据的拟合能力。如果一个拟合模型的内符合精度较高，说明该模型能够较好地捕捉已知点数据中的特征和规律，在已知点所在的区域内具有较高的可靠性。在地形相对平坦的测区，采用多项式曲面拟合法对已知点进行拟合，计算得到的内符合精度RMSE为0.1m，这表明该模型在该区域对已知点的拟合效果较好，能够准确地反映该区域似大地水准面的变化趋势。然而，内符合精度评价也存在一定的局限性，它仅基于已知点数据进行评估，无法完全反映模型对未知点的预测能力和在整个测区的适用性。即使一个模型在已知点上的拟合效果很好，但在未知点上可能由于地形变化等因素导致拟合精度大幅下降。因此，内符合精度评价通常作为初步评估拟合模型精度的手段，还需要结合外符合精度评价等方法，全面评估拟合模型的性能。5.2.2外符合精度评价外符合精度评价是检验GPS高程异常拟合模型推广能力和实际应用效果的重要手段，它通过将拟合模型应用于未知点，计算未知点的高程异常，并与这些未知点的实测高程异常值进行对比，从而评估模型在不同区域的适应性和准确性。在进行外符合精度评价时，首先要合理选择未知点。这些未知点应分布在与已知点不同的区域，且具有代表性，能够反映测区内不同地形、地貌特征。例如，在一个包含山区和平原的测区，未知点应在山区和平原都有分布，以检验模型在不同地形条件下的表现。利用已建立的拟合模型，输入未知点的平面坐标，计算出未知点的拟合高程异常值。将未知点的拟合高程异常值与通过高精度水准测量等方法得到的实测高程异常值进行对比。通过计算精度指标，如均方根误差（RMSE）、平均误差（ME）等，来量化评估拟合模型的外符合精度。以外符合精度的均方根误差计算为例，公式为：RMSE_{out}=\sqrt{\frac{1}{m}\sum_{j=1}^{m}(\zeta_{j}^{pred}-\zeta_{j}^{meas})^2}其中，m为未知点的数量，\zeta_{j}^{pred}是第j个未知点的拟合高程异常值，\zeta_{j}^{meas}是第j个未知点的实测高程异常值。RMSE值越小，说明拟合模型对未知点的预测精度越高，模型的外符合精度越好，能够在更广泛的区域内准确地推算高程异常。外符合精度评价对于判断拟合模型的可靠性和应用价值具有重要意义。如果一个拟合模型的外符合精度较高，说明该模型不仅能够很好地拟合已知点数据，还具有较强的泛化能力，能够准确地预测未知点的高程异常，在实际工程应用中具有较高的可靠性。在某城市的地形测量项目中，采用神经网络拟合法对已知点进行拟合建模，然后对城市中不同区域的未知点进行预测，计算得到外符合精度的RMSE为0.15m，这表明该模型在该城市区域具有较好的推广能力，能够满足城市地形测量对高程精度的要求。相反，如果外符合精度较低，说明模型在未知点上的表现不佳，可能是模型对地形变化的适应性不足，或者模型参数设置不合理等原因导致的，需要进一步分析原因并对模型进行改进。外符合精度评价是对拟合模型在实际应用中的全面检验，能够为模型的优化和实际应用提供重要的参考依据。5.3实例分析为了深入分析不同拟合方法在GPS高程异常拟合中的精度表现，选取了某一实际测量项目进行研究。该项目位于一个地形复杂的区域，包含了山地、丘陵和平原等多种地形类型。在测区内共选取了100个控制点，其中70个点作为已知点用于构建拟合模型，30个点作为未知点用于精度评价。首先，对收集到的GPS测量数据和水准测量数据进行预处理，包括数据清洗、格式转换和粗差剔除等，确保数据的准确性和可靠性。然后，分别采用多项式曲面拟合法、多面函数拟合法和BP神经网络拟合法对已知点数据进行处理，建立相应的拟合模型。对于多项式曲面拟合法，分别尝试了一次、二次和三次多项式拟合。一次多项式拟合的均方根误差（RMSE）计算如下：RMSE_{1}=\sqrt{\frac{1}{30}\sum_{i=1}^{30}(\zeta_{i}^{1,pred}-\zeta_{i}^{true})^2}其中，\zeta_{i}^{1,pred}是一次多项式拟合得到的第i个未知点的高程异常预测值，\zeta_{i}^{true}是第i个未知点的实际高程异常值。经计算，一次多项式拟合的RMSE为0.35m，平均误差（ME）为0.12m。由于一次多项式只能描述简单的平面趋势，在这种地形复杂的区域，无法准确捕捉似大地水准面的变化，导致拟合精度较低。二次多项式拟合时，通过最小二乘法确定多项式系数，计算得到RMSE为0.25m，ME为0.08m。相比一次多项式，二次多项式能够描述一定的曲面弯曲，在一定程度上提高了拟合精度，但对于复杂地形的拟合能力仍然有限。三次多项式拟合的RMSE为0.2m，ME为0.05m。随着多项式次数的增加，拟合曲面能够更好地逼近复杂的似大地水准面，精度有所提高，但同时也增加了计算复杂度，且在部分区域出现了过拟合现象，导致拟合结果在这些区域出现异常波动。多面函数拟合法采用常见的多面函数形式Q(r_i)=\frac{r_i^2}{R^2+r_i^2}，通过最小二乘法确定系数。在确定参数R时，通过多次试算，最终选择R=500（单位：米）。计算得到多面函数拟合法的RMSE为0.18m，ME为0.04m。多面函数拟合法能够根据地形变化自适应地调整拟合曲面，在复杂地形区域表现出较好的拟合能力，精度相对较高。BP神经网络拟合法构建了一个具有1个隐含层、15个神经元的神经网络。经过多次训练和参数调整，最终得到的RMSE为0.15m，ME为0.03m。BP神经网络凭借其强大的非线性映射能力，能够学习到高程异常与平面坐标之间复杂的非线性关系，在复杂地形区域的拟合精度最高。通过对不同拟合方法的精度指标进行对比分析，可以看出，在地形复杂的区域，多项式曲面拟合法的精度相对较低，尤其是一次多项式拟合，几乎无法满足实际工程需求。多面函数拟合法和BP神经网络拟合法能够更好地适应地形的复杂变化，精度较高，其中BP神经网络拟合法的精度最高。针对不同拟合方法的精度表现，提出以下改进建议：对于多项式曲面拟合法，在地形相对平坦的区域可以继续使用，但要合理选择多项式次数，避免过拟合。在地形复杂区域，应结合其他方法，如将多项式曲面拟合法与多面函数拟合法相结合，利用多项式曲面拟合法描述整体趋势，多面函数拟合法补充局部细节，提高拟合精度。对于多面函数拟合法，要进一步优化参数选择，根据不同地形特征和数据点分布，更准确地确定多面函数的参数，以提高拟合效果。对于BP神经网络拟合法，要增加训练数据的数量和多样性，提高神经网络的泛化能力，同时优化网络结构和训练算法，减少训练时间和过拟合风险。通过这些改进措施，可以进一步提高GPS高程异常拟合的精度，满足不同工程应用对高程精度的要求。六、案例分析6.1案例一：某城市区域地形测绘某城市区域地形测绘项目旨在获取该区域高精度的地形数据，为城市规划、基础设施建设等提供基础资料。该城市区域面积约为50平方公里，地形总体较为平坦，但存在一些小型丘陵和缓坡，地势相对高差在50米以内。同时，该区域建筑物分布较为密集，尤其是市中心区域，高楼大厦林立，对GPS信号的接收可能会产生一定的遮挡和干扰。此外，城市中存在大量的金属结构物，如桥梁、铁塔等，可能会引发多路径效应，影响测量精度。在GPS测量数据采集过程中，使用了高精度的GPS接收机，型号为[具体型号]，该接收机具备较强的抗干扰能力和高精度定位性能。按照一定的规则在测区内均匀布设了100个测量点，点与点之间的平均距离约为700米。为确保数据的准确性和可靠性，在每个测量点上进行了长时间的静态观测，观测时间不少于45分钟，以获取稳定的卫星信号和精确的测量数据。同时，为了减少观测环境误差的影响，在选择测量点时，尽量避开了高楼、金属结构物等可能产生干扰的物体，确保GPS信号能够直接到达接收机，减少多路径效应的影响。数据采集完成后，对采集到的数据进行了严格的预处理。首先，利用专业的数据处理软件对数据进行了格式转换，将原始数据转换为统一的标准格式，以便后续的分析和处理。然后，通过数据清洗，去除了明显错误和异常的数据点，如信号失锁期间的数据、卫星信号质量差的数据等。还对数据进行了粗差剔除，采用了稳健估计方法，如M估计等，对可能存在的粗差进行了识别和剔除，确保数据的质量。分别采用多项式曲面拟合法、多面函数拟合法和BP神经网络拟合法对该城市区域的GPS高程异常进行拟合。在多项式曲面拟合法中，尝试了一次、二次和三次多项式拟合。一次多项式拟合由于只能描述简单的平面趋势，在该区域虽然地形相对平坦，但存在一些小型丘陵和缓坡的情况下，拟合精度较低，均方根误差（RMSE）达到了0.25m。二次多项式拟合能够在一定程度上捕捉地形的变化，RMSE降低到了0.18m。三次多项式拟合虽然进一步提高了对地形复杂变化的适应性，但由于存在过拟合现象，在部分区域拟合结果出现异常波动，RMSE为0.16m。多面函数拟合法通过合理选择多面函数的参数，能够较好地适应地形的局部变化，RMSE为0.13m，在拟合精度上表现优于多项式曲面拟合法。BP神经网络拟合法利用其强大的非线性映射能力，对该区域的高程异常进行了拟合，RMSE为0.1m，拟合精度最高。从地形角度分析，该城市区域虽总体平坦，但小型丘陵和缓坡的存在使得简单的一次多项式拟合难以准确描述地形变化，而高次多项式虽能在一定程度上提高精度，但容易过拟合。多面函数拟合法和BP神经网络拟合法由于能够更好地适应地形的局部变化和非线性特征，在精度上表现更优。数据分布方面，虽然测量点在测区内均匀布设，但由于城市区域建筑物分布不均匀，在建筑物密集区域，GPS信号受到遮挡，数据质量可能受到影响，从而对拟合精度产生一定的干扰。在市中心高楼密集区域，部分测量点的信号强度较弱，数据的可靠性相对较低，导致在这些区域的拟合精度有所下降。这也说明了在实际测量中，除了拟合方法的选择，测量环境和数据质量对拟合精度同样有着重要的影响。6.2案例二：某山区公路工程测量某山区公路工程测量项目旨在为山区公路的规划、设计和施工提供准确的高程数据。该山区地形复杂，地势起伏剧烈，山峰与山谷之间的高差可达数百米，存在大量的陡坡、悬崖等特殊地形。同时，山区植被茂密，通视条件差，给传统的测量方法带来了极大的困难。此外，山区的气候条件多变，经常出现云雾、降雨等天气，也会对测量工作产生不利影响。由于山区地形复杂，传统的水准测量方法实施难度大、效率低，因此采用了GPS测量结合高程异常拟合的方法。在测量过程中，首先在山区公路沿线及周边区域均匀布设了80个控制点，这些控制点的选择充分考虑了地形的代表性，涵盖了山顶、山谷、山坡等不同地形部位。使用高精度的GPS接收机进行测量，为了保证测量精度，在每个控制点上进行了长时间的静态观测，观测时间不少于60分钟，以获取稳定可靠的测量数据。针对山区地形复杂的特点，采用了组合拟合方法，将多面函数拟合法和BP神经网络拟合法相结合。首先利用多面函数拟合法对高程异常进行初步拟合，多面函数拟合法能够较好地适应地形的局部变化，通过构建多面函数模型，对已知控制点的高程异常进行拟合，得到初步的拟合结果。然后，将多面函数拟合法的拟合结果作为BP神经网络的输入，结合控制点的平面坐标等信息，利用BP神经网络进一步学习和拟合高程异常的复杂变化规律。BP神经网络具有强大的非线性映射能力，能